Математическое и алгоритмическое обеспечение диагностики информационных нарушений инерциальных навигационных систем на основе нейросетевого подхода тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Деева, Анастасия Сергеевна

• Деева, Анастасия Сергеевна
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Деева, Анастасия Сергеевна

АННОТАЦИЯ

ТЕРМИНЫ И СОКРАЩЕНИЯ

ВВЕДЕНИЕ

ЦЕЛ Ь РАБОТЫ

ЗАДАЧ И РАБОТЫ

МЕТОДЫ ИССЛЕДОВАНИЯ

ДОСТОВЕРНОСТЬ И ОБОСНОВАННОСТЬ

НАУЧНАЯ НОВИЗНА

ПРАКТИЧЕСКАЯ ЦЕННОСТЬ

ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

АПРОБАЦИЯ РАБОТЫ

ПУБЛИКАЦИИ

СТРУКТУРА И ОБЪЕМ РАБОТЫ

СОДЕРЖАНИЕ РАБОТЫ

1. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ПОГРЕШНОСТЕЙ ОПРЕДЕЛЕНИЯ НАВИГАЦИОННЫХ ПАРАМЕТРОВ ИНЕРЦИАЛЬНОЙ НАВИГАЦИОННОЙ СИСТЕМЫ ДЛЯ ЗАДАЧИ КОНТРОЛЯ И ДИАГНОСТИКИ

1.1. Описание задачи контроля и диагностики информационных нарушений избыточных навигационных комплексов

1.2. Системы координат

1.3. Модель погрешностей ИНС

1.4. Алгоритм для моделирования погрешностей ИНС

1.5 Численное моделирование погрешностей ИНС

1.6 Сравнение динамики измерений при наличии и отсутствии нарушений 40 1.7. Выводы

2. ОБЗОР СПОСОБОВ РЕШЕНИЯ ЗАДАЧИ КОНТРОЛЯ И ДИАГНОСТИКИ ИНФОРМАЦИОННЫХ НАРУШЕНИЙ

2.1 Обзор литературы по контролю и диагностики инерциальных навигационных систем

2.2 Оптимальный алгоритм решения задачи контроля и диагностики информационных нарушений на основе рекуррентного соотношения для апостериорной вероятности последовательности состояний ИНС

2.2.1. Математическое описание алгоритма контроля и диагностики информационных нарушений

2.2.2. Оптимальный алгоритм решения задачи КД информационных нарушений на основе рекуррентного соотношения для апостериорной вероятности состояний НС

2.3. Субоптимальные алгоритмы решения задачи контроля и диагностики информационных нарушений, основанные на банках фильтров Калмана

2.3.1 Введение

2.3.2. Алгоритм контроля и диагностики, основанный на использовании гауссовской аппроксимации апостериорной плотности вероятности ^r(jcJt1)

2.3.3. Алгоритм контроля и диагностики, основанный на использовании полигауссовской аппроксимации апостериорной плотности вероятности

2.4. Численное моделирование субоптимального алгоритма контроля и диагностики информационных нарушений, использующего полигауссовскую аппроксимацию апостериорной плотности вероятности

2.5. Нейросетевые подходы к контролю и диагностике состояния технических систем

2.6. Выводы

3. НЕЙРОСЕТЕВЫЕ МЕТОДЫ КОНТРОЛЯ И ДИАГНОСТИКИ ИНФОРМАЦИОННЫХ НАРУШЕНИЙ ИНЕРЦИАЛЬНЫХ НАВИГАЦИОННЫХ

СИСТЕМ

3.1. КОНТРОЛЬ И ДИАГНОСТИКА ИНФОРМАЦИОННЫХ НАРУШЕНИЙ

ИНС С ИСПОЛЬЗОВАНИЕМ БАНКА ВЕРОЯТНОСНЫХ НЕЙРОННЫХ СЕТЕЙ С РАДИАЛЬНЫМИ БАЗИСНЫМИ ЭЛЕМЕНТАМ

3.1.1. Субоптимальный алгоритм решения задачи контроля и диагностики информационных нарушений, основанный на аппроксимации плотности pJ'k банком вероятностных нейронных сетей

3.1.2. Субоптимальный алгоритм решения задачи контроля и диагностики информационных нарушений, основанный на аппроксимации вероятности g'k банком вероятностных нейронных сетей

3.1.3. Результаты численного моделирования

3.1.4. Сравнение с субоптимальным алгоритмом, основанном на банках фильтров Калмана

3.1.5. Выводы

3.2. КОНТРОЛЬ И ДИАГНОСТИКА ИНФОРМАЦИОННЫХ НАРУШЕНИЙ ИНС НА ОСНОВЕ САМОРГАНИЗУЮЩЕЙСЯ КАРТЫ КОХОНЕНА, ОБУЧАЕМОЙ С УЧИТЕЛЕМ

3.2.1. Введение

3.2.2. Нормирование измерений

3.2.3. Архитектура сети

3.2.4. Обучение

3.2.4.1. Самоорганизация

3.2.4.2. Квантование векторов обучения

3.2.5. Алгоритм решения задачи КД ИН с использованием самоорганизующейся карты Кохонена

3.2.6. Результаты численного моделирования

3.2.7. Выводы

3.3. КОНТРОЛЬ И ДИАГНОСТИКА ИНФОРМАЦИОННЫХ НАРУШЕНИЙ

ИНС НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ПРЕДИКТОРОВ

3.3.1. Введение

3.3.2. Архитектура предиктора

3.3.3. Обучение

3.3.4. Алгоритм решения задачи КД с использованием нейросетевых предикторов

3.3.5. Результаты численного моделирования

3.3.6. Выводы

3.4. КОНТРОЛЬ И ДИАГНОСТИКА ИНФОРМАЦИОННЫХ НАРУШЕНИЙ ИНС КАК ЗАДАЧА КЛАССИФИКАЦИИ ДИНАМИКИ ПРОЦЕССА

3.4.1. Введение

3.4.2. Архитектура нейронной сети

3.4.3. Обучение:104'

3.4.4. Алгоритм решения задачи КД

3.4.5. Результаты численного моделирования

3.4.6. Сравнение с субоптимальным алгоритмом, основанном на банках фильтров Калмана

3.4.7. Выводы

4. КОНТРОЛЬ И ДИАГНОСТИКА ИНФОРМАЦИОННЫХ НАРУШЕНИЙ НА

ПОДВИЖНЫХ ОБЪЕКТАХ

4.1. Введение

4.2. Математическая модель бесплатформенной инерциальной навигационной системы

4.3. Алгоритм моделирования погрешностей ИНС подвижного объекта

4.4. Численное моделирование

4.5. Сравнение методов контроля и диагностики

4.6. Средства контроля и диагностики в навигационном комплексе

4.7. Выводы

Введение диссертации (часть автореферата) на тему «Математическое и алгоритмическое обеспечение диагностики информационных нарушений инерциальных навигационных систем на основе нейросетевого подхода»

ЦЕЛЬ РАБОТЫ. Целью диссертационной работы является разработка нейросетевых подходов к решению задачи контроля и диагностики (КД) информационных нарушений (ИН) в чувствительных элементах (ЧЭ) избыточных инерциальных навигационных систем (ИНС) на комплексном уровне для повышения точности и информационной надежности навигационных систем (НС).

ЗАДАЧИ РАБОТЫ. Для достижения цели диссертационной работы необходимо решить следующие задачи:

1) дополнить математическую модель погрешностей ИНС моделями ИН и выполнить программную реализацию;

2) с использованием программной реализации модели погрешностей ИНС провести исследование о влиянии различных типов ИН на погрешности НП, вырабатываемых в ИНС;

3) реализовать программно субоптимальный алгоритм КД ИН, основанный на многоальтернативной фильтрации и широко используемый для КД ИН в НК;

4) разработать нейросетевые методы и программно реализовать их алгоритмы для КД ИН НК, состоящего из трех ИНС;

5) выполнить сравнение работы предложенных методов с алгоритмом многоальтернативной фильтрации;

6) исследовать применимость предложенных алгоритмов для КД ИН, возникающих в БИНС, установленных на различных типах подвижных объектов, сравнить с методом многоальтернативной фильтрации.

МЕТОДЫ ИССЛЕДОВАНИЯ. Разработка методов решения задачи КД ИН ИНС основана на использовании методов теории вероятности, адаптивной фильтрации, теории искусственных нейронных сетей, цифровой обработки сигналов, обработки информации, математического моделирования и численных методов. При реализации алгоритмов использована система MATLAB 7.1

ДОСТОВЕРНОСТЬ И ОБОСНОВАННОСТЬ. Методы и алгоритмы, предложенные в работе, основаны на фундаментальных положениях теории искусственных нейронных сетей. Достоверность приведенных исследований подтверждена корректным применением математического аппарата, на основе которого проведено численное моделирование, а также апробацией на научно-технических конференциях.

НАУЧНАЯ НОВИЗНА.

Научная новизна диссертационной работы заключается в следующем:

1. Предложен метод и разработан алгоритм КД ИН на основе банка вероятностных нейронных сетей, аппроксимирующих вероятность состояния системы на каждом шаге решения задачи КД.

2. Предложен метод и разработан алгоритм КД ИН, использующий самоорганизующейся карты Кохонена для классификации измерений по состояниям системы.

3. Предложен метод и разработан алгоритм, основанный на многослойных персептронах с элементами кратковременной памяти во входном слое, используемый для классификации динамики измерений по состояниям системы, позволяющий решать задачу КД ИН ИНС с довольно большими периодами автономной работы.

4. Предложен метод и реализован алгоритм, использующий многослойные персептроны с элементами кратковременной памяти во входном слое для прогнозирования НП текущего шага по накопленным измерениям, позволяющий выполнять КД ИН ИНС с длительными периодами автономной работы на объектах, движущихся с большими линейными ускорениями.

ПРАКТИЧЕСКАЯ ЦЕННОСТЬ.

Практическая ценность полученных результатов заключается в следующем:

1. Разработан пакет прикладных программ для Matlab 7.1, позволяющий моделировать процесс возникновения ИН и ИО, их обнаружение предложенными методами, и методом многоальтернативной фильтрации, а также показывать эффективность предложенных методов.

2. Созданы имитационные модели КД ИН в ИНС, которые могут быть адаптированы для бортовых компьютеров НК.

3. Разработанные методы могут быть использованы для КД ИН и ИО, избыточных ИНС для водных, подводных, наземных и воздушных объектов.

ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ. На защиту выносятся сформулированные выше научная новизна и практическая ценность настоящей работы.

АПРОБАЦИЯ РАБОТЫ. Основные положения и результаты работы докладывались на конференциях:

1) в 2004 году на XXIV конференции памяти Н.Н. Острякова (ЦНИИ "Электроприбор", г. Санкт-Петербург), тема доклада "Повышение точности инерциальной информации оптимальной выставкой датчиков в БИНС";

2) в 2007 году на IX конференции молодых ученых "Навигация и управление движением" (ЦНИИ "Электроприбор", г. Санкт-Петербург), доклад на тему "Контроль и диагностика информационных нарушений в автономной инерциальной навигационной системе", отмечен дипломом первой степени за лучший доклад, представленный на секции "Обработка информации в навигационных системах";

3) в 2008 году на X конференции молодых ученых "Навигация и управление движением" (ЦНИИ "Электроприбор", г. Санкт-Петербург), доклад на тему "Нейросетевые методы контроля и диагностики информационных нарушений инерциальных навигационных систем";

4) на 4-ой научно-технической конференции молодых специалистов, посвященной 90-летию академика Н. А. Семихатова (НПО Автоматика, г. Екатеринбург), доклад "Подходы к решению задачи контроля и диагностики информационных нарушений инерциальных навигационных систем".

5) на секции кафедры "Системы управления" научно-технической конференции ЮУрГУ в 2005-2009 годах.

Работа поддерживалась молодежными грантами Губернатора Челябинской области в 2004, 2006, 2007 и 2008 годах.

ПУБЛИКАЦИИ. Результаты работы отражены в 15 научных публикациях.

СТРУКТУРА И ОБЪЕМ РАБОТЫ. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (93 наименования) и приложений. Основная часть работы содержит стр. 138 и рис 99.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Деева, Анастасия Сергеевна

4.7. Выводы

Модель погрешностей ИНС, установленной на подвижном объекте, была дополнена моделями ИН. Исследована применимость описанных в работе подходов решения задачи КД ИН ИНС к подвижным навигационным объектам. Проведено сравнение методов КД на модели ИНС на объектах с различными характеристиками движения. Выполнено сравнение скорости работы методов. Описано положение разработанного математического и алгоритмического обеспечения в НК, состоящем из трех ИНС. Приведена общая схема обучения нейронных сетей для КД ИН ИНС. Полученные в результате выводы сформулированы в заключении.

ЗАКЛЮЧЕНИЕ

В диссертационной работе предложено и исследовано четыре метода решения задачи контроля и диагностики информационных нарушений навигационного комплекса, состоящего из трех инерциальных навигационных систем. В итоге получены следующие результаты и выводы:

1. Модель погрешности ИНС, установленной на подвижном объекте, была дополнена моделями ИН. Выполнена реализация этой модели, а также модели погрешностей ИНС, не учитывающей движение объекта. Численное моделирование позволило сделать следующие выводы:

1.1. Для КД ИН, возникающих при формировании НП перемещения объекта, курса и широты наиболее эффективно в качестве измерений использовать разности вторых дифференциалов одноименных НП, вырабатываемых в разных ИНС.

1.2. Для КД ИН, возникающих при формировании долготы, эффективно использовать разности приращений значений долгот, вырабатываемых в разных ИНС.

2. Предложена реализация субоптимального алгоритма КД ИН, не зависящая от модели погрешностей ИНС. Численное моделирование работы этого алгоритма позволило сделать следующие выводы:

2.1.Данная реализация применима для КД ИН на надводном, подводном, наземном и воздушном транспорте.

2.2. При движении объекта с большими ускорениями алгоритм принимает ошибочные решения о наличии ИН.

2.3. Простая процедура проверки применимости метода для конкретного объекта не требует перед использованием длительного обучения и настройки параметров.

3. Предложен метод и реализован алгоритм КД ИН, который использует банк вероятностных нейронных сетей для аппроксимации плотности распределения вероятности состояния системы по измерениям. Выполнено численное моделирование работы алгоритма, которое показало: 3.1. Метод может быть использован для КД ИН, возникающих при формировании НП координат объекта. Эффективен для объектов подводного и надводного транспорта при длительных периодах автономной работы, а также наземного транспорта при небольших периодах автономной работы (до 2х часов). Позволяет диагностировать малые ИН (2*10"7), превышающие номинальную погрешность ЧЭ (10"7) в 2 раза, без запаздывания.

3.2.Достоинство метода - процедура обучения сетей, не требующая настройки параметров обучения.

4. Предложен метод и реализован алгоритм КД ИН, использующий самоорганизующиеся сети Кохонена для классификации измерений по состояниям системы. Численное моделирование алгоритма позволяет сделать вывод о том, что этот метод может быть использован для КД ИН, возникающих при формировании курса и широты на надводных, подводных и наземных подвижных объектах.

5. Предложен и реализован метод КД ИН, использующий многослойные персептроны с элементами памяти во входном слое для классификации накопленных измерений по состояниям системы. В результате численного моделирования сделаны следующие выводы:

5.1. Метод применим для КД ИН ИНС на объектах надводного и подводного транспорта при длительном времени автономной работы (»2х часов).

5.2. При небольшом времени автономной работы метод применим для КД ИН ИНС на объектах наземного (до 10 часов) и авиатранспорта (до 2 часов), ракетах (до 30 минут).

5.3.Алгоритм не требователен к вычислительным ресурсам и памяти, при этом позволяет своевременно обнаруживать малые ИН.

6. Предложен метод и реализован алгоритм КД ИН, использующий многослойные персептроны с элементами памяти во входном слое для прогнозирования измерений различных состояний. Численное моделирование позволяет сделать следующие выводы:

6.1. Метод применим для объектов, движущихся с большими ускорениями (до 10д м/с2).

6.2. Метод позволяет диагностировать малые нарушения (2*10"7 при номинальной погрешности 10'7).

6.3. Метод требует тщательного и длительного процесса обучения сетей.

7. На базе пакета MATLAB7.1 разработано программное обеспечение, демонстрирующее работу предложенных методов. Размер исходных текстов программ составляет 243,828 байта и 11066 строк.

8. Нейросетевые алгоритмы позволяют своевременно диагностировать малые ИН на объектах, движущихся с линейными ускорениями до 10д, при этом они на порядок быстрее описанной реализации алгоритма многоальтернативной фильтрации. В рамках описанной модели при линейном движении объекта в одном направлении нейросетевые методы диагностируют ИН до 19 раз быстрее фильтрационного метода.

9. В целом, по мнению автора, в данной работе решена актуальная задача по созданию математического и алгоритмического обеспечения для КД ИН НК, состоящего из трех или более ИНС.

Список литературы диссертационного исследования кандидат технических наук Деева, Анастасия Сергеевна, 2010 год

1. Анучин, О.Н., Емельянцев Г.И. Интегрированные системы ориентации и навигации для морских подвижных объектов. СПб.: ГНЦ РФ - ЦНИИ «Электроприбор», 2003. - 390 с.

2. Галушкин, А.И. Теория нейронных сетей / А.И. Галушкин. М.: ИПРЖР, 2000. -415 с.

3. Головко, В.А. Нейроинтеллект: теория и применение / В.А. Головко. Брест: Изд-во БПИ, 1999.-260 с.

4. Деева А.С., Щипицын А.Г. Повышение точности инерциальной информации оптимальной выставкой датчиков в БИНС / А.С. Деева, А.Г. Щипицын // Гироскопия и навигация. 2004. - №4 (47) - С. 92.

5. Деева А.С., Щипицын А. Г. Калибровка акселерометра и гироскопа на неподвижном относительно Земли основании с использованием аппарата нейронных сетей // Информационные системы и устройства: Тем. Сб. научн. Тр. Челябинск: Изд. ЮурГУ, 2007. С. 102-108.

6. Деева А. С., Щипицын А. Г. Контроль и диагностика избыточной инерциальной навигационной системы // Вестник ЮУрГУ. Серия "Компьютерные технологии, управление, радиоэлектроника". 2007. - Вып. 5. №7(79). - С. 12-17.

7. Деева А.С. Контроль и диагностика информационных нарушений в автономной инерциальной навигационной системе // Гироскопия и Навигация. 2007. - №2 - С. 87.

8. Деева А.С. Контроль и диагностика информационных нарушений в автономной инерциальной навигационной системе // Навигация и управлениедвижением: Материалы докладов IX конференции молодых ученых. СПб.: ГНЦ РФ ЦНИИ «Электроприбор», 2007. - С.243-249.

9. И.Деева А.С. Контроль и диагностика информационных нарушений в избыточной инерциальной навигационной системе. // Гироскопия и Навигация. 2008. - №2 - С. 89.

10. Дмитриев, С. П., Колесов, Н. В., Осипов, А. В. Информационная надежность, контроль и диагностика навигационных систем / С. П. Дмитриев, Н. В. Колесов, А. В. Осипов. СПб.: ГНЦ РФ ЦНИИ "Электроприбор", 2003. - 207 с.

11. Дмитриев, С.П., Осипов, А.В., Кошаев, Д.А. Обнаружение и устранение влияния информационных нарушений в навигационных системах / С.П.Дмитриев, А.В.Осипов, Д.А.Кошаев // Гироскопия и навигация. 2006. -№4. - С. 96

12. Дмитриев, С.П., Литвиненко, Ю.А. Гарантирующая настройка фильтра Калмана при неопределенности параметров модели погрешностей навигационных систем / С.П.Дмитриев, Ю.А.Литвиненко // Гироскопия и навигация. 2005. - №1. - С. 57

13. Дмитриев, С.П., Кошаев, Д.А. Информационный контроль и диагностика дублированных инерциальных систем // С.П. Дмитриев, Д.А. Кошаев / Гироскопия и навигация. 2005. - №2. - С. 30-47

14. Дмитриев, С.П., Колесов, Н.В., Осипов, А.В. Контроль и диагностика информационных нарушений в навигационных системах методами многоальтернативной фильтрации / С.П.Дмитриев, Н.В.Колесов, А.В.Осипов // Гироскопия и навигация. -2004. №1. -С.119

15. Дмитриев, С.П., Пелевин А.Е. Задачи навигации и управления при стабилизации судна на траектории / С.П. Дмитриев, А.Е. Пелевин // СПб.: ЦНИИ «Электроприбор», 2004. 160 с.

16. Жданов, А.А., О методе автономного адаптивного управления. / АЛ. Жданов -Научная сессия МИФИ-2004. VI Всероссийская научно-практическая конференция «Нейроинформатика 2004»: лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2004. - С.15-53

17. Ивановский, Р.И., Игнатов, А.А. Теория чувствительности в задачах управления и оценки Л.: ЦНИИ Румб, 1986г. - 208 с.

18. Ишлинский, А. Ю., Ориентация, гироскопы и инерциальная навигация / А. Ю. Ишлинский М.: "Наука", 1976. - 672 с.

19. Каточ, Р., Махапатра, П. Р., Оценка пространственного положения самолета при помощи GPS приемника с использованием нейронной сети и фильтра Калмана / Р. Каточ, П. Р. Махапатра // Гироскопия и навигация. 2006. - №3. -С. 3

20. Круглов, В. В., Дли, М. И., Голунов, Р. Ю., Нечеткая логика и искусственные нейронные сети / В. В. Круглов, М. И. Дли, Р. Ю. Голунов. М.: ФИЗМАТЛИТ, 2001.-221 с.

21. Лепинин, Е. Ф. Нейросетевая реализация алгоритма фильтрации / Е. Ф. Лепинин, В. И. Ширяев. // Вестник ЮУрГУ. Серия Математика, Физика, Химия. -2003.-№8, вып. 4.-С. 7-10.

22. Небылов, А.В., Гарантирование точности управления / А.В. Небылов М.: Наука. Физматлит, 1998. - 304 с.

23. Потапов А.Б. Нелинейная динамика обработки информации в нейронных сетях/ А.Б. Потапов, М.К. Али http://ihtik.lib.ru/teor-estestv 21dec2006/

24. Пугачев, B.C. Стохастические дифференциальные системы. Анализ и фильтрация / B.C. Пугачев, И.Н. Синицын 1990, 642 с.

25. Розенгауз, М.Б. Метод оценки результатов диагностирования навигационных комплексов с использованием нечеткой меры / М.Б.Розенгауз // Гироскопия и навигация. 2006. - №4. - С. 98.

26. Синицын, И.Н. Фильтры Калмана и Пугачева. / И.Н. Синицын М.: Университетская книга, Лотос, 2006. - 640 с.

27. Степанов, О.А. Линейный оптимальный алгоритм в нелинейных задачах обработки навигационной информации / О.А. Степанов // Гироскопия и навигация.-2006. №4.-С. 11-21.

28. Степанов, О. А. Применение теории нелинейной фильтрации в задачах обработки навигационной информации / О. А. Степанов СПб.: ГНЦ РФ ЦНИИ "Электроприбор", 2003. - 370 с.

29. Степанов, О.А., Амосов, О.С. Сравнительное исследование эффективности применения нейронных сетей и метода Монте-Карло в нелинейных задачах обработки навигационной информации / О.А.Степанов, О.С.Амосов // Гироскопия и навигация. 2006. - №4. - С. 95-96

30. Степанов, О.А. Связь алгоритмов оптимальной стационарной фильтрации и сглаживания / О.А. Степанов//Гироскопия и навигация. -2004. №1. - С.16

31. Степанов, О.А., Кошаев, Д.А. Универсальные MATLAB-программы анализа потенциальной точности и чувствительности алгоритмов линейной нестационарной фильтрации / О.А.Степанов, Д.А. Кошаев // Гироскопия и навигация. 2004. - №2. - С. 81

32. Степанов, О.А., Амосов, О.С. Оптимальная линейная фильтрация с использованием нейронной сети / О.А.Степанов, О.С.Амосов // Гироскопия и навигация. 2004. - №3. - С. 14

33. Степанов, О.А., Амосов, О.С. Сравнительный анализ байесовского и нейросетевого подходов при решении задач оценивания / О.А. Степанов, О.С. Амосов // Гироскопия и навигация. 2004. - №3. - С. 83

34. Танана, В.П. О регуляризации обратной одномерной задачи фильтрации в неоднородном пласте / В.П. Танана //ДАН СССР. 1985 Т. 281, № 5.

35. Танана, В.П. Об обобщенном принципе невязки / В.П. Танана // Всесоюзная конференция асимптотическим методам в теории возмущенных уравнений Алма-Ата Наука, 1979.

36. Танана, В.П, Коршунов В.А. Штаркман А.А. Принцип минимальных невязок в решении некорректных задач // Исследование по функциональному анализу. -Свердловск: Изд-во УрГУ, 1978г.

37. Терехов, В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления / В.А. Терехов // Изв. РАН. Серия «Теория и системы управления». 1996. - № 3. - С. 70-79.

38. Терехов, В.А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. М.: ИПРЖР, 2002. - 480 с.

39. Терехов, В.А. Исследование устойчивости процессов обучения многослойных нейронных сетей / В.А. Терехов, И.Ю. Тюкин // Автоматика и телемеханика. -1999.-№ 10. С.145-161; № 11.-С. 136-144.

40. Терехов, С.А. Гениальные комитеты умных машин / С.А. Терехов Научная сессия МИФИ-2007. IX Всероссийская научно-практическая конференция «Нейроинформатика - 2007»: лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2007.-С.11-42

41. Терехов, С.А. Нейродинамическое программирование автономных агентов / С.А. Терехов Научная сессия МИФИ-2004. VI Всероссийская научно-практическая конференция «Нейроинформатика - 2004»: лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2004. - С.111-138

42. Терехов, С.А. Введение в байесовы сети / С.А. Терехов Научная сессия МИФИ-2003. V Всероссийская научно-практическая конференция «Нейроинформатика - 2003»: лекции по нейроинформатике. Часть 1. - М.: МИФИ, 2003. -С.149-184

43. Терехов, С.А. Вейвлеты и нейронные сети / С.А. Терехов Научная сессия МИФИ-2001. IIV Всероссийская научно-практическая конференция «Нейроинформатика - 2001»: лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2001. — С.142-181

44. Тихонов, А.Н. Об устойчивости обратных задач / А.Н. Тихонов. Доклады АН СССР. - 1943. - Т. 39, №5. - С. 1341-1343.

45. Тихонов, А.Н. Методы решения некорректных задач / А.Н. Тихонов, В.Я. Арсенин. М.: Наука, 1979. - 288 с.

46. Ткачев Л.И. Системы инерциальной ориентировки. Учеб. пособие. Ч. 1. Основные положения теории. / Под ред. Г.Н. Сенилова. М.: МЭИ, 1973. -213 с.

47. Тупысев, В.А. Гарантированное оценивание состояния динамических систем в условиях неопределенности описания возмущений и ошибок измерений / В.А. Тупысев // Гироскопия и навигация. 2005. - №2 (49). - С. 47-55.

48. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен. М.: Мир, 1992. - 184 с.

49. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр. / С. Хайкин. М.: ООО "И.Д.Вильямс", 2006. -1104 с.

50. Червяков, Н.И. Применение вероятностной нейронной сети для локализации и исправления ошибок в модулярных нейрокомпьютерах / Н.И. Червяков, Д.В.Сивоплясов // Вестник СевКавГТУ Серия «Физико-химическая». 2004. -№1(8). - С. 21-32.

51. Шумский, С.А. Байесова регуляризация обучения / С.А. Шумский Научная сессия МИФИ-2002. IV Всероссийская научно-практическая конференция «Нейроинформатика - 2002»: лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2002. - С.30-90

52. Bar-Hillel, A. Spike Sorting Bayesian Clustering of Non-Stationary Data / A. Bar-Hillel, A. Spiro, E. Stark - http://www.cs.huji.ac.il/~aharonbh/

53. Barwicz, A. An integrated structure for Kalman-filter-based measurand reconstruction / A. Barwicz, D. Massicotte, Y. Savire, M.-A. Santerre, Z. Morawski // IEEE Transaction on Instrumentation and Measurement. 1994. - V. 43, № 3. - P. 403—409.

54. Chipman, H. Bayesian Ensemble Learning / H. Chipman, Ed. George, R. McCulloch http://facultv.chicaqogsb.edu/robert.mcculloch/research/papers/nips-poster.pdf

55. Grimes, D. Learning Nonparametric Models for Probabilistic Imitation / D. Grimes, D. Rashid, R. Rao http://www.cs.washinqton.edu/homes/qrimes/. 2007.

56. Grewal, M. Kalman filtering: theory and practice using MATLAB / M. Grewal, A. Andrews. Jonh Wiley & Sons, Inc., 2001. - 401 p.

57. Gupta, M., Static and Dynamic Neural Networks / Gupta M, Jin L., Homma N. -Jonh Willey & Sons, Inc, 2003. 722 p.

58. Haykin, S. Adaptive filter theory / S. Haykin. Prentice Hall; 4 edition. - 2001. -978 p.

59. Haykin, S. Kalman filtering and neural networks / S. Haykin. Jonh Wiley & Sons, Inc-2001, 284 p.

60. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. by David A. White, Donald A. Sofge. New York: Nostrand Reinhold, 1992.

61. Handbook of Neural Network Signal Processing / Ed. by Yu Hen Hu, Jenq-Neng Hwang. New York: CRC Press LLC, 2002.

62. Hebb, D.O. Organization of Behavior: A neuropsychological theory / D.O. Hebb. -New York: Wiley, 1949.

63. Hopfield, J.J. Neural Networks and Physical systems with emergent collective computational abilities / J.J. Hopfield // Proc. Nat. Acad. Sci. USA. 1982. - V.79. -P. 2554-2558.

64. Hopfield, J.J. Neurons with graded response have collective computational properties like those of two-state neurons / J.J. Hopfield // Proc. National Acad. Sci. USA. 1984. - № 81. - P. 3088-3092.

65. Filali, K. Multi-dynamic Bayesian Networks / K. Filali, J. Bilmes -http://www.cs.washinqton.edu/homes/karim/, 2007

66. Kohonen, Т., Self-organized formation of topological^ correct feature maps / T. Kohonen // Biological Cybernetics. 1982. - V. 43. - P. 59-69.

67. Kohonen T. The self-organizing map, 3 edition. / T. Kohonen New York: Springer, 2001.-501 p.

68. Mandic D. Recurrent neural networks for prediction: learning, algorithms, architectures, and stability / D. Mandic. New York: John Wiley & Sons, Inc., 2001. -285 p.

69. Michel, A. Qualitative analysis and synthesis of recurrent neural networks / A. Michel, D. Liu Marcel Dekker, Inc., 2002. - 504 p.

70. Neural networks for control / Ed. by W. Thomas Miller, Richard S. Sutton, Paul J. Werbos. Cambridge, MA: Bradford Books / MIT Press, 1990.

71. Neural networks for control systems: A survey / K.J. Hunt, D. Sbarbaro, R. Zbikowski, P.J. Gawthrop. //Automatica. 1992. -V. 28, № 6. - P. 1083-1112.

72. Psaltis, D. A multilayered neural networks controller / D. Psaltis, A. Sideris, A.A. Yamamura // IEEE Control System Magazine. 1988. - № 8. - P. 17-27.

73. Rao, Y.-H. Neural net computing and the intelligent control of systems / Y.-H. Rao, S.M. Phillips, D.J. Sobajic // Int. J. Control. 1992. -V 56, № 2. - P.263-289.

74. Rabunal, J.R. Artificial Neural Networks In Real-Life Applications / J.R. Rabuanal, J. Dorado Idea Group Publishing, 2006, 371 p.

75. Rhoads, R.L. Removal of interfering system distortion by deconvolution / R.L. Rhoads, M.P. Ekstrom // IEEE Trans. Instrumentation and Measurement. 1969. -V. 17, №4.-P. 333-337.

76. Rosenblatt, F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms / F. Rosenblatt. Washington D.C.: Spartan Book, 1961.

77. Rumelhart, D.E. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Nature. 1986. - V. 323 - P. 533-536.

78. Rumelhart, D.E. Learning internal representations by error propagation / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Parallel Distributed Processing: Exploration in the Microstructure of Cognition. 1986. - V. 1. - P. 318-362.

79. Rumelhart, D.E. Feature discovery and competitive learning / D.E. Rumelhart, D. Zipser // Cognitive science. 1985. - V. 9. - P. 75-112.

80. Poznyak, A.S. Self-learning control of finite markov chains / A.S. Poznyak, K.Najim, E. Gomez-Ramirez Marcel Dekker, Inc. - 2000. - 298 p.

81. Warwick, K. Neural networks of control and systems / K. Warwick, G.W. Irwin, K.J. Hunt. London: Peter Peregrinus, 1988.

82. Widrow, B. Adaptive Switching Circuits / B. Widrow, M. Hoff. IRE WESCON Convention Record. New York: Institute of Radio Engineers, 1960.

83. Widrow, B. Neural networks: Application in industry, business and science / B. Widrow, D.E. Rumelhart, M.A. Lehr // Comm. ACM. 1994. -V. 37, № 3. - P. 83105.