Диссертация (785777), страница 51
Текст из файла (страница 51)
– М.: Машиностроение, 2004. – 576 с.69. Ким Д. П. Теория автоматического управления. Т. 1. Линейные системы. – М.: Физматлит, 2007. –312 с.70. Ким Д. П. Теория автоматического управления. Т. 2. Многомерные, нелинейные, оптимальные иадаптивные системы. – М.: Физматлит, 2004. – 464 с.27671.
Глушков В. М., Цейтлин Г. Е., Ющенко Е. Л. Алгебра. Языки. Программирование: 2-е изд. – Киев:Наукова думка, 1978. – 320 с.72. Оллонгрен А. Определение языков программирования интерпретирующими автоматами: Пер. сангл. под ред. В. Ш. Кауфмана. – Киев: Наукова думка, 1978. – 320 с.73. Фу К. Структурные методы в распознавании образов: Пер. с англ. под ред. М.
А. Айзермана. – М.:Мир, 1977. – 320 с.74. Хайкин С. Нейронные сети: Полный курс: Под ред. Н. Н. Куссуль. – М.: Вильямс, 2006. – 1104 с.75. Haykin S. Kalman filtering and neural networks / Ed. by S. Haykin. – New York a. o.: John Wiley &Sons, 2001. – 298 pp.76. Dreyfus G. Neural networks: Methodology and applications. – Berlin ao.: Springer, 2005. – xviii+497 pp.77. Hagan M. T., Demuth H. B., Beale M. H., De Jesús O. Neural network design: 2nd Ed.
– PSW PublishingCo., 2014. – 800 pp.78. Mandic D. P., Chambers J. A.Recurrent neural networks for prediction: Learning algorithms,architectures and stability. – New York ao.: John Wiley & Sons, 2001. – 297 pp.79. Recurrent neural networks: Design and applications / Ed. by L. R. Medsker, L. C. Jain. – New York ao.:CRC Press, 2001. – 390 pp.80. Neural network systems techniques and applications. Vol. 7: Control and dynamic systems / Ed. byC. T. Leondes.
– New York ao.: Academic Press, 1999. – 459 pp.81. Pinkus A. Approximation theory of the MLP model in neural networks. // Acta Numerica. – 1999. –Vol. 8. – pp. 143–195.82. Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. – М.: ИПРЖР, 2002.– 480 с.83. Tutschku K. Recurrent multilayer perceptrons for identification and control: The road to applications. –University of Würzburg, Institute of Computer Science, Research Report Series, Report No. 118, June1995.
– 28 pp.84. Heister F., Müller R. An approach for the identification of nonlinear, dynamic processes with Kalmanfilter-trained recurrent neural structures. – University of Würzburg, Institute of Computer Science,Research Report Series, Report No. 193, April 1999. – 29 pp.27785. Hochreiter S., Bengio Y., Frasconi P., Schmidhuber J. Gradient flow in recurrent nets: The difficulty oflearning long-term dependencies // Chapter 14 in “A Field Guide to Dynamical Recurrent Networks” /Ed. by J. F. Kolen and S. C. Kremer.
– IEEE Press: New York, 2001. – pp. 237–243.86. Schaefer A. M., Udluft S., Zimmermann H.-G. Learning long-term dependencies with recurrent neuralnetworks // Neurocomputing. – 2008. – Vol. 71, No. 13–15. – pp. 2481–2488.87. Phan M. C., Hagan M. T. Error surface of recurrent neural networks // IEEE Transactions on NeuralNetworks.
– 2009. – Vol. 24, No. 11. – pp. 1709–1721.88. Horn J., De Jesús O., Hagan M. T. Spurious valleys in the error surface of recurrent networks — analysisand avoidance // IEEE Transactions on Neural Networks. – 2009. – Vol. 20, No. 4. – pp. 686–700.89. Pascanu R., Mikolov T., Bengio Y. On the difficulty of training recurrent neural networks // Proc. of the30th Intern. Conf. on Machine Learning, ICML 2013, Atlanta, GA, USA, 16–21 June 2013.90. Elman J. L. Learning and development in neural networks: The importance of starting small // Cognition.– 1993.
– Vol. 48. – pp. 71–99.91. Ludik J., Cloete I. Incremental increased complexity training // Proc. ESANN 1994, 2nd EuropeanSymposium on Artificial Neural Networks, Brussels, Belgium, April 20–22, 1994.92. Suykens J. A. K., Vandewalle J. Learning a simple recurrent neural state space model to behave likeChua’s double scroll // IEEE Trans. on Circuits and Systems I: Fundamental Theory and Applications.
–1995. – Vol. 42, No. 8. – pp. 499–502.93. Bengio Y., Louradour J., Collobert R., Weston J. Curriculum learning // Proc. of the 26th Annual Intern.Conf. on Machine Learning. ICML 2009, New York, NY, USA, pp. 41–48.94. Rumelhart D. E. ao. Learning internal representations by error propagation // In: “Parallel DistributedProcessing” / Ed. by D. E. Rumelhart and J. L.
McClelland. Vol. 1, 1986, p. 355.95. Werbos P. J. Backpropagation through time: What it does and how to do it // Proceedings of the IEEE. –1990. – Vol. 78, No. 10. – pp. 1550–1560.96. Čerňanský M., Beňušková Ľ. Simple recurrent network trained by RTRL and extended Kalman filteralgorithms // Neural Network World. – 2003. – Vol. 13, No. 3. – pp. 223–234.97. Elman J. L. Finding structure in time // Cognitive Science. – 1990.
– Vol. 14, No. 2. – pp. 179–211.98. Williams R. J., Zipser D. A learning algorithm for continually running fully recurrent neural networks //Neural Computation. – 1989. – Vol. 1, No. 2. – pp. 270–280.27899. De Jesús O., Hagan M. T. Backpropagation algorithms for a broad class of dynamic networks // IEEETransactions on Neural Networks. – 2007. – Vol. 18, No. 1. – pp.
14–27.100. Самарин А. И. Нейронные сети с преднастройкой // В сб.: «Лекции по нейроинформатике», VIIВсероссийская научно-технической конференция «Нейроинформатика-2005», Москва, МИФИ, 19–23 января 2015 г. – М.: Изд-во МИФИ, 2015. – с. 10–20.101. Горбань А. Н.
Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. – 1998. – т. 1, № 1. – с. 11–24.102. Dietterich T. G. Machine-learning research: Four current directions // AI Magazine.
– 1997. – Vol. 18,No. 7. – pp. 97–136.103. Joshi P., Kulkarni P. Incremental learning: Areas and methods — a survey // Intern. J. of Data Miningand Knowledge Management Process. – 2012. – Vol. 2, No. 5. – pp. 43–51.104. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: 2-е изд. – М.: Физматлит,2006. – 320 с.105. Емельянов В.
В., Курейчик В. М., Курейчик В. В. Теория и практика эволюционного моделирования.– М.: Физматлит, 2003. – 432 с.106. Гроп Д. Методы идентификации систем: Пер. с англ. под ред. Е. И. Кринецкого. – М.: Мир, 1979.– 302 с.107. Льюнг Л. Идентификация систем: Теория для пользователя: Пер. с англ. под ред. Я. З. Цыпкина.– М.: Наука, 1991. – 432 с.108. Сейдж Э. П., Мелса Л. Идентификация систем управления: Пер. с англ. под ред. Н.
С. Райбмана.– М.: Наука, 1974. – 248 с.109. Цыпкин Я. З. Информационная теория идентификации. – М.: Наука, 1995. – 336 с.110. Isermann R., Münchhoh M. Identification of dynamic systems: An introduction with applications. –Berlin a.o.: Springer-Verlag, 2011. – xxv+705 pp.111. Juang J.-N., Phan M.
Q. Identification and control of mechanical systems. – Cambridge Univ. Press,1994. – xv+334 pp.112. Nelles O. Nonlinear system identification: From classical approaches to neural networks and fuzzymodels. – Berlin a.o.: Springer-Verlag, 2001. – xvii+785 pp.279113. Pintelon R., Schoukens J. System identification: A frequency domain approach.
– IEEE Press, 2001. –xxxviii+605 pp.114. Берестов Л. М., Поплавский Б. К., Мирошниченко Л. Я. Частотные методы идентификации летательных аппаратов. – М.: Машиностроение, 1985. – 184 с.115. Васильченко К. К., Кочетков Ю. А., Леонов В. А., Поплавский Б. К. Структурная идентификацияматематической модели движения самолета. – М.: Машиностроение, 1993. – 352 с.116.
Jategaonkar R. V. Flight vehicle system identification: A time domain methodology. – Reston, VA:AIAA, Inc., 2006. – xviii+534 pp.117. Klein V., Morelli E. A. Aircraft system identification: Theory and practice. – Reston, VA: AIAA, Inc.,2006. – xiv+484 pp.118. Tischler M. B., Remple R. K. Aircraft and rotorcraft system identification: Engineering methods withflight-test examples. - Reston, VA: AIAA, Inc., 2006. – xxxvi+523 pp.119. Hamel P.
G., Jategaonkar R. V. Evolution of flight vehicle system identification // Journal of Aircraft.– 1996. – v. 33, No. 1. – pp. 9–28.120. Hamel P. G., Kaletka J. Advances in rotorcraft system identification // Progress in Aerospace Sciences.– 1997. – v. 33, No. 3–4.
– pp. 259–284.121. Iliff K. W. Parameter estimation for flight vehicles // Journal of Guidance, Control and Dynamics. –1989. – v. 12, No. 5. – pp. 609–622.122. Jategaonkar R. V., Fischenberg D., von Gruenhagen W.Aerodynamic modeling and systemidentification from flight data — Recent applications at DLR // Journal of Aircraft. – 2004. – v. 41,No. 4.
– pp. 681–691.123. Klein V. Estimation of aircraft aerodynamic parameters from flight data // Progress in AerospaceSciences. – 1989. – v. 26, No. 1. – pp. 1–77.124. Morelli E. A., Klein V. Application of system identification to aircraft at NASA Langley Research Center// Journal of Aircraft. – 2005. – v. 42, No. 1. – pp. 12–25.125. Wang K. C., Iliff K. W. Retrospective and recent examples of aircraft parameter identification at NASADryden Flight Research Center // Journal of Aircraft. – 2004. – v. 41, No. 4. – pp.
752–764.126. Morelli E. A. Multiple input design for real-time parameter estimation in the frequency domain // 13thIFAC Conf. on System Identification, Aug. 27–29, 2003, Rotterdam, The Netherlands. – Paper REG-360.– 7 pp.280127. Morelli E. A.
In-flight system identification // AIAA Paper, No. 98-4261. – 10 pp.128. Morelli E. A., Klein V. Real-time parameter estimation in the frequency domain // J. of Guidance,Control, and Dynamics. – 2000. – Vol. 23, No. 5. – pp. 812–818.129. Smith M. S., Moes T. R., Morelli E. A. Flight investigation of prescribed simultaneous independentsurface excitations for real-time parameter identification // AIAA Paper, No. 2003-5702.
– 23 pp.130. Schroeder M. R. Synthesis of low-peak-factor signals and binary sequences with low autocorrelation //IEEE Trans. on Inform. Theory. – Jan. 1970. – pp. 85–89.131. Васильев А. Н., Тархов Д. А. Нейросетевое моделирование: Принципы. Алгоритмы. Приложения.– СпБ.: Изд-во Политехнического ун-та, 2009. – 527 с.132. Васильев А. Н., Тархов Д. А. Нейросетевые методы и алгоритмы математического моделирования.– СпБ.: Изд-во Политехнического ун-та, 2014. – 582 с.133. Васильев А. Н., Тархов Д.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
