Диссертация (785777), страница 52
Текст из файла (страница 52)
А. Принципы и техника нейросетевого моделирования. – СпБ.: НесторИстория, 2014. – 218 с.134. Васильев А. Н., Тархов Д. А., Шемякина Т. А. Нейросетевой подход к задачам математической физики. – СпБ.: Нестор-История, 2015. – 260 с.135. Billings S. A. Nonlinear system identification: NARMAX methods in the time, frequency and spatiotemporal domains. – John Wiley & Sons, 2013.
– xvii+590 pp.136. Codrons B. Process modelling for control: A unified framework using standard black-box techniques. –London: Springer, 2005. – xxxiii+229 pp.137. Narendra K. S., Parthasarathy K. Identification and control of dynamic systems using neural networks// IEEE Trans. on Neural Networks. – 1990. – v. 1, No. 1. –pp. 4–27.138. Chen S., Billings S. A. Neural networks for nonlinear dynamic systems modelling and identification.
//Int. J of Control. – 1992. – v. 56, No. 2. – pp. 319–346.139. Conti M., Turchetti C. Approximation of dynamical systems by continuous-time recurrent approximateidentity neural networks. // Neural, Parallel and Scientific Computations. – 1994. – v. 2, No. 3. – pp. 299–320.140. Elanayar S., Shin Y. C. Radial basis function neural network for approximation and estimation ofnonlinear stochastic dynamic systems. // IEEE Trans. on Neural Networks. – 1994. – v.
5, No. 4. –pp. 594–603.281141. Pal C., Kayaba N., Morishita S., Hagiwara I. Dynamic system identification by neural network: Anew fast learning method based on error back propagation. // JSME Int. J. Series C: Dynamics, Control,Robotics, and Manufacturing. – 1995. – v. 38, No. 4. – pp. 686–692.142. Sjöberg J., Zhang Q., Ljung L., Benveniste A., Deylon B., Glorennec P.-Y., Hjalmarsson H., JuditskyA.
Nonlinear black-box modeling in system identification: A unified overview // Automatica. – 1995. –v. 31, No. 12. – pp. 1691–1724.143. Juditsky A., Hjalmarsson H., Benveniste A., Deylon B., Ljung L., Sjöberg J., Zhang Q. Nonlinear blackbox modeling in system identification: Mathematical foundations // Automatica. – 1995. – v. 31, No. 12.– pp.
1725–1750.144. Rivals I., Personnaz L. Black-box modeling with state-space neural networks // In: Neural AdaptiveControl Technology. Eds. R. Zbikowski and K. J. Hint. – World Scientific. – 1996. – pp. 237–264.145. Billings S. A., Jamaluddin H. B., Chen S.
Properties of neural networks with applications to modellingnonlinear dynamic systems // Int. J of Control. – 1992. – v. 55, No. 1. – pp. 193–224.146. Chen S., Billings S. A. Representation of non-linear systems: The NARMAX model // Int. J of Control.– 1989. – v. 49, No. 3. – pp. 1013–1032.147. Chen S., Billings S. A. Nonlinear system identification using neural networks // Int. J of Control. –1990. – v.
51, No. 6. – pp. 1191–1214.148. Chen S., Billings S. A., Cowan C. F. N., Grant P. M. Practical identification of NARMAX using radialbasis functions // Int. J of Control. – 1990. – v. 52, No. 6. – pp. 1327–1350.149. Bohlin T. Interactive system identification: Prospects and Pitfalls. – Berlin ao.: Springer, 1991. –xii+365 pp.150. Bohlin T. Practical grey-box identification: Theory and applications. – Berlin ao.: Springer, 2006. –xix+351 pp.151.
Ljung L. System identification toolbox: User’s guide. – MathWorks, 2015. – 982 pp.152. Abonyi J., Madar J., Szeifert F. Combining first principles models and neural networks for genericmodel control // In: Soft Computing and Industry – Recent Applications. Eds. R. Roy, M. Köppen ao. –London: Springer-Verlag. – 2002.
– pp. 111–122.153. Bohlin T. A case study of grey box identification // Automatica. – 1994. – v. 30, No. 2. – pp. 307–318.282154. Cen Z., Wei J., Jiang R. A gray-box neural network based model identification and fault estimationscheme for nonlinear dynamic systems // International Journal of Neural Systems. – 2013.
– v. 23, No. 6.– pp. 1–15.155. Frasconi P., Gori M., Maggini M., Soda G. Unified integration of explicit knowledge and learning byexample in recurrent networks // IEEE Transactions on Knowledge and Data Engineering. – 1995. – v. 7,No. 2. – pp. 340–346.156. Garatti S., Bittanti S. A new paradigm for parameter estimation in system modeling // InternationalJournal of Adaptive Control and Signal Processing.
– 2013. – v. 27, No. 8. – pp. 667–687.157. Hasiewicz Z., Śliwiński P., Mzyk G. Nonlinear system identification under various prior knowledge //Proceedings of the 17th World Congress of the International Federation of Automatic Control (IFAC),Seoul, Korea, July 6–11, 2008. – 10 pp.158. Jorgensen S.
B., Hangos K. M. Grey box modelling for control: Qualitative models as a unifyingframework // International Journal of Adaptive Control and Signal Processing. – 1995. – v. 9, No. 6. –pp. 547–562.159. Lindskog P., Ljung L. Tools for semiphysical modeling // International Journal of Adaptive Controland Signal Processing. – 1995.
– v. 9, No. 6. – pp. 509–523.160. Oussar Y., Dreyfus G. How to be a gray box: Dynamic semi-phisical modeling // Neural Networks. –2001. – v. 14, No. 9. – pp. 1161–1172.161. Peres J., Oliveira R., Feyo de Azevedo S. Knowledge based modular networks for process modellingand control // Computers and Chemical Engineering. – 2001. – v. 25, Nos. 4–6. – pp. 783–791.162. Psichogios D. C., Ungar L. H. A hybrid neural network-first principles approach to process modeling //AIChE Journal. – 1992.
– v. 38, No. 10. – pp. 1499–1511.163. Yuan W., Katupitiya J. A grey-box system identification procedure for scale model helicopters based onfrequency-domain estimation methods // Proceedings of the 28th Congress of the International Councilof the Aeronautical Sciences, Brisbane, Australia, Sept. 23–28, 2012. ICAS Paper 2012–0837, 10 pp.164.
Dreyfus G., Idan Y. The canonical form of nonlinear discrete-time models // Neural Computation. –1998. – v. 10. – pp. 133–164.165. Nerrand O., Roussel-Ragot P., Personnaz L., Dreyfus G. Neural networks and non-linear adaptivefiltering: Unifying concepts and new algorithms // Neural Computation. – 1993. – v. 5, No. ???. –pp. 165–197.283166. Nerrand O., Roussel-Ragot P., Urbani D., Personnaz L., Dreyfus G. Training recurrent neural networks:Why and how? An illustration in dynamical process modeling // IEEE Trans. on Neural Networks.
–1994. – v. 5, No. 2. – pp. 178–184.167. Хайрер Э., Нёрсетт С., Ваннер Г. Решение обыкновенных дифференциальных уравнений:Нежесткие задачи: Пер. с англ. – М.: Мир, 1990. – 512 с.168. Хайрер Э., Ваннер Г. Решение обыкновенных дифференциальных уравнений: Жесткие идифференциально-алгебраические задачи: Пер. с англ. – М.: Мир, 1999. – 685 с.169.
Scott L. R. Numerical analysis. – Princeton University Press, 2011. – xiv+325 pp.170. Брусов В. С., Тюменцев Ю. В. Нейросетевое моделирование движения летательных аппаратов. –М.: Изд-во МАИ, 2016. – 192 с.171. Тюменцев Ю. В., Чернышев А. В. Искусственные нейронные сети: основные понятия. Учебноепособие. – М.: Изд-во МАИ, 2012. – 48 с.172. Тюменцев Ю.
В., Чернышев А. В. Обучение многослойных искусственных нейронных сетей прямого распространения. Учебное пособие. – М.: Изд-во МАИ, 2012. – 48 с.173. Морозов Н. И., Тюменцев Ю. В., Яковенко А. В. Корректировка динамических свойств объектауправления с использованием искусственных нейронных сетей // Вестник Московского авиационного института. – 2002, том 9, № 1. – c. 73–94. ISSN 0869-6101.174. Тюменцев Ю. В. Интеллектуальные автономные системы // Авиакосмическое приборостроение. –2004, № 10. – с. 2–14.
ISSN 2073-0020.175. Тюменцев Ю. В. Интеллектуальное управление движением летательных аппаратов с использованием средств мягких и полумягких вычислений // Вестник компьютерных и информационныхтехнологий. – 2006, № 4. – с. 9–20. ISSN 1810-7206.176. Морозов Н. И., Тюменцев Ю. В. Возможности формирования интеллектуальных законов управления на основе средств мягких и полумягких вычислений // Вестник компьютерных и информационных технологий.
– 2006, № 5. – с. 8–21. ISSN 1810-7206.177. Брусов В. С., Тюменцев Ю. В. Синтез оптимального ансамбля нейроконтроллеров для многорежимного летательного аппарата // Вестник Московского авиационного института. – 2006. – том13, № 2. – с. 67–78. ISSN 0869-6101.284178. Ефремов А. В., Оглоблин А. В., Тань В., Тюменцев Ю. В. Нейросетевая модель управляющих действий летчика // Вестник Московского авиационного института. – 2007. – том 14, № 2.
– с. 53–66.ISSN 0869-6101.179. Ефремов А. В., Тань В., Тюменцев Ю. В. Оценка пилотажных свойств самолета с применением нейросетевой модели предсказания характеристик управляющих действий летчика // ВестникМосковского авиационного института. – 2008. – том 15, № 1. – с. 92–108. ISSN 0869-6101.180. Ефремов А. В., Тань В., Тюменцев Ю. В. Построение и применение нейросетевой модели характеристик управляющих действий летчика для оценки и выбора пилотажных свойств самолета //Полет. – 2008. – № 6. – с.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
