Применение нейронных сетей в телекоммуникационных системах

- определены особенности применения нейронных сетей в системах управления;

- показан пример реализации методов маршрутизации на основе нейронных сетей;

- определены преимущества и недостатки примения нейронных сетей в телекоммуникационных системах

3. ПРОГНОЗИРОВАНИЕ ПОТОКОВ ДАННЫЕ НА ОСНОВЕ НЕЧЕТКО-НЕЙРОННЫХ СЕТЕЙ

3.1 Система нейрон-нечеткого вывода

Гибридная сеть представляет собой многослойную нейронную сеть специальной структуры без обратных связей, в которой используются обычные (не нечеткие) сигналы, веса и функции активации, а выполнение операции суммирования основано на использовании фиксированной Т-нормы, Т-конормы или некоторой другой непрерывной операции. При этом значения входов, выходов и весов гибридной нейронной сети представляют собой вещественные числа из отрезка [0, 1].

Основная идея, положенная в основу модели гибридных сетей, заключается в том, чтобы использовать существующую выборку данных для определения параметров функций принадлежности, которые лучше всего соответствуют некоторой системе нечеткого вывода. При этом для нахождения параметров функций принадлежности используются известные процедуры обучения нейронных сетей.

В пакете Fuzzy Logic Toolbox системы MATLAB гибридные сети реализованы в форме так называемой адаптивной системы нейро-нечеткого вывода ANFIS. С одной стороны, гибридная сеть ANFIS представляет собой нейронную сеть с единственным выходом и несколькими входами, которые представляют собой нечеткие лингвистические переменные. При этом термы входных лингвистических переменных описываются стандартными для системы MATLAB функциями принадлежности, а термы выходной переменной представляются линейной или постоянной функцией принадлежности.

С другой стороны, гибридная сеть ANFIS представляет собой систему нечеткого вывода FIS типа Сугено нулевого или первого порядка, в которой каждое из правил нечетких продукций имеет постоянный вес, равный 1. В системе MATLAB пользователь имеет возможность редактировать и настраивать гибридные сети ANFIS аналогично системам нечеткого вывода, используя все рассмотренные ранее средства пакета Fuzzy Logic Toolbox.

3.2 Реализация ANFIS в среде MATLAB

В пакете Fuzzy Logic Toolbox системы MATLAB гибридные сети реализованы в форме адаптивных систем нейро-нечеткого вывода ANFIS. При этом разработка и исследование гибридных сетей оказывается возможной:

· в интерактивном режиме с помощью специального графического редактора адаптивных сетей, получившего название редактора ANFIS;

· в режиме командной строки с помощью ввода имен соответствующих функций с необходимыми аргументами непосредственно в окно команд системы MATLAB. Для работы в режиме командной строки предназначены специальные функции (см. приложение 3).

Редактор ANFIS позволяет создавать или загружать конкретную модель адаптивной системы нейро-нечеткого вывода, выполнять ее обучение, визуализиро вать ее структуру, изменять и настраивать ее параметры, а также использовать настроенную сеть для получение результатов нечеткого вывода.

Графический интерфейс редактора ANFIS вызывается функцией anfisedit из командной строки (рис. 3.1 ).

Главное меню редактора ANFIS достаточно простое и предназначено для работы с предварительно созданной системой нечеткого вывода. Основную часть графического интерфейса занимает окно визуализации данных, которое расположено ниже главного меню. Для вновь создаваемой гибридной сети это окно не содержит никаких данных.



Рис. 3.1. Графический интерфейс редактора ANFIS, вызываемый функцией anfisedit

Для создания гибридной сети необходимо загрузить данные. Для этой цели следует воспользоваться кнопкой Load Data в левой нижней части графического окна. При этом данные могут быть загружены из внешнего файла (disk) или из рабочей области (worksp.). В первом случае необходимо предварительно создать файл с исходными данными (файл с расширением .dat), который представляет собой обычный текстовый файл. При этом исходные данные представляют собой обычную числовую матрицу размерности т*(п+\), в которой количество строк т соответствует объему выборки, первые п столбцов -- значениям входных переменных модели, а последний столбец -- значению выходной переменной. Согласно правилам системы MATLAB отдельные значения матрицы отделяются пробелами, а каждая строка матрицы завершается символом "перевод каретки" (клавиша <Enter>).

Загружаемые исходные данные могут быть одного из следующих типов:

· обучающие данные (Training) -- обязательные данные, которые используются для построения гибридной сети;

· тестовые данные (Testing) -- необязательные данные, которые используются для тестирования построенной гибридной сети с целью проверки качества функционирования построенной гибридной сети;

· проверочные данные (Checking) -- необязательные данные, которые используются для проверки построенной гибридной сети с целью выяснения факта переобучения сети;

· демонстрационные данные (Demo) -- позволяют загрузить один из демонстрационных примеров гибридной сети.

3.3 Прогнозирование потока данных

. Для начала с помощью редактора-отладчика m-файлов подготовим обучающие данные, которые содержат 85 строк пар "значение входной переменной --значение выходной переменной" следующего вида (рис. 3.2). Сохраним обучающие данные во внешнем файле с именем prog.dat.

После загрузки обучающих данных из файла prog.dat их структура будет отображена в рабочем окне редактора ANFIS (рис. 3.3).

При этом каждой строке данных соответствует отдельная точка графика, которая для обучающих данных изображается кружком. На горизонтальной оси указываются порядковый номер (индекс) отдельной строки данных, а вертикальная ось служит для указания значений выходной переменной. В случае рассматриваемого примера используется 85 точек обучающих данных.

Второй из файлов содержит проверочные данные, для редактирования которых также может быть использован любой текстовый редактор. Поскольку тестовые данные для данного примера отсутствуют, то в редактор ANFIS следует загрузить проверочные данные из файла prog.dat. Для этого необходимо изменить тип загружаемых данных (Checking) и выбрать имя указанного файла при загрузке данных. В результате проверочные данные будут загружены в редактор ANFIS и изображены в рабочем окне (рис. 3.4.).

В этом случае исходный график будет дополнен 86 точками проверочных данных, каждой строке которых также соответствует отдельная точка графика, изображаемая плюсом. На горизонтальной оси указываются порядковый номер (индекс) отдельной строки данных, а вертикальная ось служит для указания значений выходной переменной. В случае рассматриваемого примера используется 85 точек обучающих данных.

Рис. 3.2. Обучающие данные для примера построения гибридной сети ANFIS.

После подготовки и загрузки обучающих данных можно сгенерировать структуру системы нечеткого вывода FIS типа Сугено, которая является моделью гибридной сети в системе MATLAB. Для этой цели следует воспользоваться кнопкой Generate FIS в нижней части рабочего окна редактора. При этом две первые опции относятся к предварительно созданной структуре гибридной сети, а две последних -- к форме разбиения входных переменных модели.

Загрузить структуру уже созданной FIS можно либо с диска (Load from disk), либо из рабочей области (Load from worksp.). При создании структуры новой FIS можно независимо разбить все входные переменные на области их значений (Grid partition) или воспользоваться процедурой субтрактивной кластеризации для предварительного разбиения значений входных переменных на кластеры близких значений (Sub. clustering).

Рис. 3.3. Графический интерфейс редактора ANFIS после загрузки файла с обучающими данными prog.dat.

После нажатия кнопки Generate FIS вызывается диалоговое окно с указанием числа и типа функций принадлежности для отдельных термов входных переменных и выходной переменной (рис. 3.5). В этом случае можно выбрать любой тип функций принадлежности из реализованных в системе MATLAB.

После генерации структуры гибридной сети можно визуализировать ее структуру, для чего следует нажать кнопку Structure в правой части графического окна. Структура полученной в результате системы нечеткого вывода FIS отображается в отдельном окне и достаточно тривиальна по своему виду (рис. 3.6).

Для рассматриваемого примера система нечеткого вывода содержит одну входную переменную с 4 термами, 4 правила нечетких продукций, одну выходную переменную с 4 термами. Компоненты системы FIS изображаются узлами соответствующего цвета. При этом узел с нормализующим коэффициентом для правил на рис. 3.6 не указан.

Рис. 3.4. Графический интерфейс редактора ANFIS после загрузки файла с проверочными данными prog.dat

Рис. 3.5. Диалоговое окно для задания количества и типа функций принадлежности



Рис. 3.6. Структура сгенерированной системы нечеткого вывода

Перед обучением гибридной сети необходимо задать параметры обучения, для чего следует воспользоваться следующей группой опций в правой нижней части рабочего окна:

Выбрать метод обучения гибридной сети -- обратного распространения (backpropo) или гибридный (hybrid), представляющий собой комбинацию метода наименьших квадратов и метода убывания обратного градиента.

Установить уровень ошибки обучения (Error Tolerance) -- по умолчанию значение 0 (изменять не рекомендуется).

Задать количество циклов обучения (Epochs) -- по умолчанию значение 3 (рекомендуется увеличить и для рассматриваемого примера задать его значение равным 40).

Для обучения сети следует нажать кнопку Train Now. При этом ход процесса обучения иллюстрируется в окне визуализации в форме графика зависимости ошибки от количества циклов обучения (рис. 3.7).

В этом случае на верхнем графике изображена зависимость ошибки проверки от количества циклов обучения, а на нижнем графике зависимость ошибки обучения от количества циклов обучения (знаком "*").

Аналогично могут быть выполнены дополнительные этапы тестирования и проверки гибридной сети, для которых необходимо предварительно загрузить соответствующие данные.

Дальнейшая настройка параметров построенной и обученной гибридной сети может быть выполнена с помощью рассмотренных ранее стандартных графических средств пакета Fuzzy Logic Toolbox . Для этого рекомендуется сохранить созданную систему нечеткого вывода во внешнем файле с расширением fis, после чего следует загрузить этот файл в редактор систем нечеткого вывода FIS (рис. 3.8).

Рис. 3.7. График зависимости ошибок обучения и проверки от количества циклов обучения

При этом также становятся доступными редактор функций принадлежности системы нечеткого вывода (Membership Function Editor), редактор правил системы нечеткого вывода (Rule Editor), программа просмотра правил системы нечеткого вывода (Rule Viewer) и программа просмотра поверхности системы нечеткого вывода (Surface Viewer).

Для исследования построенной модели гибридной сети можно воспользоваться программой просмотра правил (Rule Viewer). Для получения интересующего значения выходной переменной необходимо задать конкретное значение входной переменной (например, 0.5) аналогично общим рекомендациям систем нечеткого вывода. При этом на графике функций принадлежности выходной переменной будет указано искомое значение выходной переменной -- 0.451 (рис. 3.9).

Рис. 3.8. Графический интерфейс редактора FIS для сгенерированной системы нечеткого вывода

В дополнение к этому можно выполнить визуальный анализ поверхности вывода для построенной гибридной сети, которая также позволяет оценить значения выходной переменной. Выполнить анализ обученной и настроенной гибридной сети можно посредством визуализации поверхности нечеткого вывода. Для этой цели следует воспользоваться программой просмотра поверхности системы нечеткого вывода (рис. 3.10).

Изображенная поверхность вывода может быть интерпретирована как график функциональной зависимости выходной переменной от входной для рассматриваемого примера табличного задания соответствующих пар значений. Как можно заключить из анализа данного графика, эта зависимость характеризует некоторый тренд.

Более подробно содержание отдельных этапов построения, обучения и настройки гибридных сетей ANFIS будет описано далее при рассмотрении примера построения адаптивной системы нейро-нечеткого вывода для решения задачи прогнозирования на финансовом рынке.

Рис. 3.9. Графический интерфейс просмотра правил сгенерированной системы нечеткого вывода

В заключение следует отметить, что даже простейшие рассмотренные примеры отражают творческий характер процесса построения и анализа моделей гибридных сетей. При этом выбор того или иного способа дополнительной настройки нечетких моделей зависит не только от специфики решаемой задачи, но и от объема доступной выборки обучающих и проверочных данных

Рис. 3.10. Графический интерфейс просмотра поверхности сгенерированной системы нечеткого вывода (зависимость input1 и output)

В случае недостаточной информации обучающих данных использование гибридных сетей может оказаться вообще нецелесообразным, поскольку получить адекватную нечеткую модель, а значит-- и точный прогноз значений выходной переменной не представляется возможным.

Именно по этим причинам необходим предварительный анализ всех возможностей применяемых нечетких моделей для решения конкретных задач в той или иной проблемной области. Подобный анализ необходимо выполнять с системной точки зрения и с учетом всех складывающихся на данный момент обстоятельств. Только всесторонняя и полная оценка проблемной ситуации позволит разработать адекватную модель решения той или иной конкретной задачи нечеткого управления или принятия решений.

Выводы по разделу 3

Основными выводами третьего раздела работы являются:

- рассмотрены вопросы разработки систем нейро-нечеткого вывода;

- предложен метод прогнозирования потоков данных на основе нечетко-нейронных сетей;

- предложенный метод прогнозирования реализован в пакете ANFIS программного обеспечения MATLAB

- предложенный метод прогнозирования потоков данных позволяет снизить перегрузки в сетях связи.

4. БЕЗОПАСНОСТЬ ЖИЗНЕДЕЯТЕЛЬНОСТИ

4.1 Действие тока на организм человека и критерии безопасности по току

В результате действия тока на организм может возникнуть электротравма.

Характер и интенсивность нарушений в организме, вызванных током, определяются видом и величиной тока, длительностью его действия. Также большое значение имеет путь, по которому ток протекает в теле человека.

Большие токи, в несколько ампер, способны вызвать тепловое разрушение живых тканей организма и серьезное нарушение центральной нервной системы.

Малые токи, меньше Ампера, вызывают судорожное сокращение мышц и общее возбуждение, которое может привести к прекращению деятельности органов дыхания и кровообращения.

· Допустимой величиной безопасного тока при длительном воздействии принимается 1 мА.

· Допустимой величиной тока при длительном воздействии до 30с принимается 6 мА.

· Длительность воздействия: 1 сек - 0,5 сек.

· Ток мА 65 мА - 100 МА.

Эти токи принимаются в качестве практически допустимых с малой вероятностью поражения. Эти нормы рекомендуются для руководства при проектировании, расчете, эксплуатационном контроле, при защитных мероприятиях в ЭУ радиопредприятий.

Основными условиями успеха при оказании первой помощи пострадавшим от электрического тока и при других несчастных случаях являются быстрота действия, находчивость и умение оказывающего помощь. Одного знания настоящих Правил недостаточно. Промедление и длительная подготовка могут повлечь за собой гибель пострадавшего.

Никогда не следует отказываться от оказания помощи пострадавшему и считать его мертвым из-за отсутствия дыхания, сердцебиения, пульса. При поражении электрическим током смерть часто бывает кажущейся. Поэтому только врач имеет право решить вопрос о целесообразности и бесполезности дальнейших мероприятий по оживлению пострадавшего и вынести заключение о его смерти.

Весь персонал, обслуживающий ЭУ, должен периодически проходить инструктаж об опасности поражения электрическим током и способах оказания первой помощи пострадавшим, а также практическое обучение приемам освобождения от электрического тока, способам искусственного дыхания и наружного (непрямого) массажа сердца. Занятия должны проводиться компетентными лицами медицинского персонала совместно с техническим персоналом.

Организация обучения должна лежать на ответственности начальника цеха, участка или предприятия.

В местах постоянного дежурства должны иметься:

а) аптечка для оказания первой помощи;

б) вывешены на видных местах плакаты о правилах подачи первой помощи, производства искусственного дыхания и наружного массажа сердца.

4.2 Обеспечение безопасности жизнедеятельности в чрезвычайных ситуациях

Обеспечение безопасности жизнедеятельности в ЧС представляет собой комплекс организационных, инженерно-технических мероприятий и средств, направленных на сохранение жизни и здоровья человека во всех сферах его деятельности.

В качестве основных направлений в решении задач обеспечения безопасности жизнедеятельности могут рассматриваться следующие:

прогнозирование и оценка возможных последствий ЧС;

планирование мероприятий по предотвращению или уменьшению вероятности возникновения ЧС, а также сокращению масштабов их последствий;

обеспечение устойчивой работы объектов народного хозяйства в ЧС;

обучение населения действиям в ЧС;

ликвидация последствий чрезвычайных ситуаций.

Рассмотрим коротко содержание каждого из этих направлений.

Прогнозирование и оценка возможных последствий ЧС Прогнозирование чрезвычайных ситуаций --метод ориентировочного выявления и оценки обстановки, складывающейся в результате стихийных бедствий, аварий и катастроф. В отличие от прогнозирования во многих естественных науках, где оно имеет целью приспособить действия к ожидаемому состоянию, в безопасности жизнедеятельности его значение определяется степенью использования полученных данных для изменения обстановки. При этом сложность заключается в том, что требуется оценить район, характер и. масштабы ЧС в условиях неполной и ненадежной информации, а на их основе ориентировочно определить характер и. объем работ по ликвидации последствий ЧС.

В настоящее время хорошо изучены и определены сейсмические районы, районы и места возможных обвалов и селевых потоков, установлены границы зон возможного затопления при разрушении плотин, при наводнениях, а также выявлены промышленные объекты, аварии на которых могут привести к большим разрушениям, поражениям людей, заражению территории. Это долгосрочный прогноз.

В задачу прогнозирования в области безопасности жизнедеятельности входит также ориентировочное определение времени возникновения ЧС (краткосрочный прогноз), по которому принимаются оперативные решения по обеспечению безопасности населения во всех сферах его деятельности. В настоящее время усилия многих ученых и специалистов направлены на поиски надежных способов прогнозирования процесса формирования и начала ЧС. Наметились реальные, возможности прогнозирования начала некоторых стихийных бедствий. При этом используются расчетные статистические данные цикличности солнечной активности, данные, полученные с искусственных спутников Земли, а также данные метеорологических, сейсмических, вулканических, противоселевых, противолавинных и других станций. Например, ураганы,.тайфуны, извержение вулканов, селевые потоки прогнозируются с помощью метеорологических спутников Земли. Прогнозирование землетрясений возможно путем систематических анализов химического состава воды в сейсмических районах, измерением упругих, электрических и магнитных характеристик грунта, наблюдение за изменением уровня поды в колодцах, поведением животных, пресмыкающихся, рыб, птиц. Широко практикуется прогнозирование лесных, торфяных и других ландшафтных пожаров по комплексному показателю на основе суммирования коэффициентов, учитывающих температурные, географические, погодные, статистические и другие условия. Для поиска скрытых очагов пожара (торфяные, подземные) и тем самым прогнозирования угрозы возникновения лесных пожаров применяется инфракрасная аппаратура для съемки с самолетов и спутников Земли.

Прогнозирование обстановки, связанной с возникновением ЧС осуществляется математическими методами.

Исходными данными для. прогнозирования обстановки являются; места (координаты) потенциально опасных объектов и запасы веществ или энергии; численность и плотность населения; характер построек, количество и тип защитных сооружений, их вместимость и другие сведения. При прогнозировании учитываются метеорологические условия, характер местности.

При прогнозировании обстановки в зависимости от вида ЧС определяются границы зон разрушения, катастрофического затопления, пожаров и заражения (радиационного, химического и бактериологического), а также возможные потери населения и ущерб, наносимый объектам народного хозяйства.

Данные прогнозирования обстановки в очагах поражения обобщаются, анализируются и делаются выводы для принятия решения, связанного с организацией и ведением спасательных и других неотложных работ.

Как использовать прогнозы, которые можно сделать сегодня -- неточные и недостаточно - надежные? Обеспечение безопасности жизнедеятельности в ЧС --далеко не единственная область, где приходится принимать решения на основе неполной и ненадежной информации.

Для решения рассматриваемой проблемы в этих условиях изначально нужен иной, системный подход, "новая философия" обеспечения безопасности человека в ЧС, включая как предотвращение и уменьшение вероятности их возникновения, так и сокращение масштабов их последствий.

На данной методологической основе с учетом отечественного и зарубежного практического опыта можно заранее подготовить комплекс мероприятий нарастающей эффективности и в зависимости от текущих прогнозов ЧС выбирать ту или иную их совокупность, т. е. ввести в действие многостадийную систему обеспечения безопасности жизнедеятельности человека в современной техносоциальной среде.

Мероприятия, необходимые для предотвращения ущерба от ЧС, можно сгруппировать следующим образом.

Фоновые (постоянно проводимые) мероприятия, основанные на долгосрочном прогнозе: выполнение строительно-монтажных работ с учетом требований СНиП, создание надежной системы оповещения населения об опасностях; накопление фонда защитных сооружений и обеспечение населения СИЗ; организация радиационного, химического и бактериологического наблюдения, разведки и лабораторного контроля; всеобщее обязательное обучение населения правилам поведения и действиям в ЧС; проведение режимных, санитарно-гигиенических и противоэпидемических мероприятий; отказ от строительства АЭС, химических и целлюлозно-бумажных и других потенциально опасных объектов в экономически уязвимых зонах; перепрофилирование объектов -- источников повышенной опасности для здоровья и жизни людей; разработка, материальное, финансовое обеспечение и практическая отработка планов ликвидации последствий ЧС и т. и.

Защитные мероприятия, которые необходимы, когда предсказан момент ЧС: развертывание системы наблюдения и разведки, необходимых для уточнения прогноза; приведение в готовность системы оповещения населения о ЧС; ввод в действие специальных правил функционирования экономики и общественной жизни, вплоть до чрезвычайного положения; нейтрализация источников повышенной опасности при ЧС (АЭС, токсичных и взрывоопасных производств и т. п.), прекращение операций с ними, дополнительного укрепления или демонтажа; приведение в готовность аварийно-спасательных служб; частичная эвакуация населения.

Как следует из этого перечня, для осуществления ряда важнейших мероприятий нужны многие годы и следовательно, долгосрочный прогноз. Другие, но менее важные мероприятия можно осуществить быстро, но на короткое время. Для таких мероприятий необходим краткосрочный прогноз. Для осуществления многих защитных мероприятий необязательно точно знать время возникновения ЧС, и их характера; разные мероприятия можно начинать при разной определенности предсказаний.

Эти соображения и определяют выбор конкретного набора защитных мероприятий. Исходными материалами должны служить каталог возможных мероприятии и оценкой их стоимости и предотвращенного ими ущерба а также набор типовых сценариев (вариантов) действий.

В настоящее время ученые и специалисты не в состоянии заранее с высоким уровнем достоверности точно указать место, время и последствия той или иной ЧС.

ЗАКЛЮЧЕНИЕ

Основными результатами работы являются:

- определены преимущества и недостатки структур нейронных сетей;

- определены эффективные методы обучения нейронных сетей;

- определены особенности применения нейронных сетей в системах управления и маршрутизации данных;

- рассмотрены вопросы разработки систем нейро-нечеткого вывода;

- предложен метод прогнозирования потоков данных на основе нечетко-нейронных сетей;

- предложенный метод прогнозирования реализован в пакете ANFIS программного обеспечения MATLAB;

- предложенный метод прогнозирования потоков данных позволяет снизить перегрузки в сетях связи.

СПИСОК ЛИТЕРАТУРЫ

1. И.А. Каримов. Мировой финансово-экономический кризис, пути и меры по его преодолению в условиях Узбекистана. - Т.: Узбекистан, 2009.

2. Галушкин А.И. "Теория нейронных сетей" Сер. "Нейрокомпьютеры и их применение". Ки. 1.- М.:ИПРЖР, 2000.

3. Комашинский.В.И, Смирнов .Д.А "Нейронные сети и их применение в системах управления и связи" Москва Горячая линия-Телеком 2003

4. Аведьян Э. Д., Коваленко М. Л., Цитоловский Л. Е., Цыпкин Я. 3. Автономные алгоритмы настройки нейронных сетей. - Тр. Международной конференции"Математика, компьютер, управление и инвестиции". - М.: Гарант, 1993, с.2-11.

5. Галушкин А. И. Нейрокомпьютеры в разработке военной техники США. -Зарубежная радиоэлектроника, 1995, №5; №6 с.4-21.

6. Галушкин А. И. Современные направления развития нейрокомпьютеров в России. - Зарубежная радиоэлектроника. Успехи современной радиоэлектроники, 1998, №4, с.3-17.

7. Джейн А. К., Мао Ж., Моиуддин К. М. Введение в искусственные нейронные сети. - Открытые системы, 1997, №4, с. 16-24.

8. Комашинский В.И., Смирнов Д.А. Введение в нейро-информационные технологии. - СПб.: Тема, 1999.

9. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1990.

10. Горбань А. Н. Обучение нейронных сетей. - М.: СП ПараГраф, 1990.

11. Шаров А.Н., Степанец В.А., Комашинский В.И. Сети радиосвязи с пакетной передачей информации. - СПб.: ВАС, 1994.

12. Леоненков .A"Нечеткое моделирование в среди MATLAB и FuzzyTech" (БХВ-Петербург, 2005).

13. Медведов В.С, Потемкин В.Г "нейронные сети.MATLAB6" ЗАО "ДИАЛОГ-МИФИ",2002.

14. Омату .С, Халид .М, Юсуф .Р "Нейроуправления и его приложения" М:ИПРЖРБ, 2000.

15. Дьяканов.В, Круглов.В "Математические пакеты расширения MATLAB"Специальный справочник. -СПб, Питер, 2001.

16. Терехов В. А., Ефимов Д. В., ТюнинИ. Ю. Искусственные нейронные сети и их применение в системах автоматического управления.-- СПб: С._Петерб.гос. электротехн. ун_т, 1997.

17. Медведев В. C., Потемкин В. Г. Нейронные сети. Matlab 6.-- М.: Диалог МИФИ, 2002.

18. Семейкин В. Д. Основные направления применения нейроинфор- мационных технологий в системах связи // Междунар. форум информатизации (МФИ-2005). Междунар. конгресс "Коммуникационные технологии и сети (СТN-2005). - М.: МТУСИ, 2005. - С. 52-54.

19. Демидова, Л.А. Идентификация неисправностей в городских инженерных коммуникациях на основе обратного нечеткого вывода [Текст] / Л.А. Демидова, В.В. Кираковский, А.Н. Пылькин //Вестник РГРТА. - Рязань, 2005. - Вып. 16. - С. 3-10.

20. Демидова, Л.А. Иерархическая система нечеткого вывода для диагностики состояния городских инженерных коммуникаций [Текст] / Л.А. Демидова, В.В. Кираковский // Системы управления и информационные технологии. - Воронеж, 2005. - № 5 (22). - С. 36-42.

21. Демидова, Л.А. Диагностика городских инженерных коммуникаций на основе иерархической системы нечеткого вывода [Текст] / Л.А. Демидова, В.В. Кираковский // Вестник РГРТА. - Рязань, 2005. - Вып. 17. - С. 57-65

22. http://neuronews/iu/bmstu/ru -статьи с нейроинформатики.

23. http://www.neuropower.de

24. http://matlab.ru -математические пакеты MATLAB и Statistica.

Размещено на Allbest.ru

...