Нейроинформатика

: Литература по курсу
Опубликован: 01.03.2007 | Доступ: свободный | Студентов: 1589 / 211 | Оценка: 4.58 / 4.39 | Длительность: 20:15:00
Специальности: Программист
  • 1.
    Колмогоров А.Н.
    О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных
  • 2.
    Арнольд В.И
    О функциях трех переменных
  • 3.
    Колмогоров А.Н
    О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного
  • 4.
    Витушкин А.Г
    О многомерных вариациях
  • 5.
    Арнольд В.И
    О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных
  • 6.
    Stone M.N
    The generalized Weierstrass approximation theorem
  • 7.
    Шефер Х
    Топологические векторные пространства
  • 8.
    Cybenko G
    Approximation by superposition of a sigmoidal function
  • 9.
    Hornik K., Stinchcombe M., White H
    Multilayer feedforward networks are universal approximators
  • 10.
    Kochenov D.A., Rossiev D.A
    Approximations of functions of C[A,B] class by neural-net predictors (architectures and results)
  • 11.
    Gilev S.E., Gorban A.N
    On completness of the class of functions computable by neural networks
  • 12.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 13.
    Розенблатт Ф
    Принципы нейродинамики. Перцептрон и теория механизмов мозга
  • 14.
    Минский М., Пайперт С
    Персептроны
  • 15.
    Ивахненко А.Г
    Персептроны
  • 16.
    Hopfield J.J
    Neural Networks and Physical systems with emergent collective computational abilities
  • 17.
    Уоссермен Ф
    Нейрокомпьютерная техника
  • 18.
    А.А.Веденов
    Итоги науки и техники. Сер. "Физ. и Матем. модели нейронных сетей"
  • 19.
    Муравьев И.П, Фролов А.А.
    Нейронные модели ассоциативной памяти
  • 20.
    Cудариков В.А
    Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры
  • 21.
    Кохонен Т
    Ассоциативная память
  • 22.
    Кохонен Т
    Ассоциативные запоминающие устройства
  • 23.
    Фор А
    Восприятие и распознавание образов
  • 24.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 25.
    Кендалл М., Стьюарт А
    Статистические выводы и связи
  • 26.
    Мостеллер Ф., Тьюки Дж
    Анализ данных и регрессия
  • 27.
    Стирнз С, Уидроу Б.
    Адаптивная обработка сигналов
  • 28.
    Айвазян С.А., Бежаева З.И., Староверов О.В
    Классификация многомерных наблюдений
  • 29.
    Дуда Р., Харт П
    Распознавание образов и анализ сцен
  • 30.
    Ивахненко А.Г
    Самообучающиеся системы распознавания и автоматического регулирования
  • 31.
    Д.А. Поспелов
    Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник
  • 32.
    Zurada J. M
    Introduction to artificial neural systems
  • 33.
    Горбань А.Н
    Обучение нейронных сетей
  • 34.
    Hinton G.E., Rumelhart D.E., Williams R.J
    Learning internal representations by error propagation
  • 35.
    Hinton G.E., Rummelhart D.E., Williams R.J
    Learning representations by back-propagating errors
  • 36.
    Барцев С.И., Охонин В.А
    Адаптивные сети обработки информации
  • 37.
    Шенфилд Дж
    Математическая логика
  • 38.
    Горбань А.Н
    Обучение нейронных сетей.
  • 39.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 40.
    Химмельблау Д
    Прикладное нелинейное программирование
  • 41.
    Гилл Ф., Мюррей У., Райт М
    Практическая оптимизация
  • 42.
    Zurada J. M
    Introduction to artificial neural systems
  • 43.
    Haykin S
    Neural networks. A comprehensive foundations
  • 44.
    Марчук Г.И
    Методы вычислительной математики. 3-е изд
  • 45.
    Винер Н
    Кибернетика, или Управление и связь в животном и машине
  • 46.
    Ф.Уоссермэн
    Нейрокомпьютерная техника
  • 47.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 48.
    T. Kohonen
    Self-organized formation of topologically correct feature maps
  • 49.
    T. Kohonen
    Self-Organizing Maps
  • 50.
    R. Hecht-Nielsen
    Counterpropagation networks
  • 51.
    R. Hecht-Nielsen
    Counterpropagation networks
  • 52.
    D. E. Rummelhart, G. E. Hinton, R. J. Williams
    Learning representations by back-propagating errors
  • 53.
    Арсенин В.Я, Тихонов А.Н.
    Методы решения некорректных задач. 2 изд
  • 54.
    and T.Poggio, F.Girosi, M.Jones
    Regularization Theory and Neural Networks Architectures
  • 55.
    K.J. Schulten, S.G. Berkovich, T.M. Martinetz
    Neural-gas network for vector quantization and its application to time-series prediction
  • 56.
    B.Fritzke
    A growing neural gas networks learns topologies
  • 57.
    Баевский Р.М, Парин В.В.
    Медицина и техника
  • 58.
    Переверзев-Орлов В.С
    Советчик специалиста. Опыт разработки партнерской системы
  • 59.
    Fu H.C., Shann J.J
    A fuzzy neural network for knowledge learning
  • 60.
    Масалович А.И
    От нейрона к нейрокомпьютеру
  • 61.
    Stefanuk V.L
    Expert systems and its applications
  • 62.
    Горбань А.Н., Фриденберг В.И
    Новая игрушка человечества
  • 63.
    Горбань А.Н
    Нейрокомпьютер или аналоговый ренессанс
  • 64.
    Azevedo A.C, Palladino E., Rozenbojm J.
    An expert clinical diagnosis system for the support of the primary consultation
  • 65.
    Cagnoni S., Livi R. et al, Poli R.
    A Neural Network Expert System for Diagnosing and Treating Hypertension
  • 66.
    Darken C.J., Gindi G.R., O’Brien K.M. et al
    Neural network and conventional classifiers for fluorescence-guided laser angioplasty
  • 67.
    Allen J., Murray A
    Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms
  • 68.
    Astion M.L., Bloch D.A, Hunder G.G., Thomas R.G., Wener M.H.
    Application of neural networks to the classification of giant cell arteritis
  • 69.
    Baxt W.G
    A neural network trained to identify the presence of myocardial infarction bases some decisions on clinical associations that differ from accepted clinical teaching
  • 70.
    Baxt W.G
    Complexity, chaos and human physiology: the justification for non-linear neural computational analysis
  • 71.
    Baxt W.G
    Use of an artificial neural network for the diagnosis of myocardial infarction
  • 72.
    Baxt W.G
    Analysis of the clinical variables driving decision in an artificial neural network trained to identify the presence of myocardial infarction
  • 73.
    Durand L.G., Guo Z., Lee H.C. et al
    Artificial neural networks in computer-assisted classification of heart sounds in patients with porcine bioprosthetic valves
  • 74.
    Barschdorff D., Dorsel T et al, Ester S.
    Phonographic diagnostic aid in heart defects using neural networks
  • 75.
    Nakano H., Okamoto Y., Yoshikawa M. et al
    Study on decision support system for the interpretation of laboratory data by an artificial neural network
  • 76.
    Dempsey J, Maclin P.S.
    Using an artificial neural network to diagnose hepatic masses
  • 77.
    Linder R., Rinast E., Weiss H.D
    Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder
  • 78.
    Inbar-Saban N. et al, Modai I., Stoler M.
    Clinical decisions for psychiatric inpatients and their evaluation by a trained neural network
  • 79.
    Chawla A., Ercal F., Stoeker W.V. et al
    Neural network diagnosis of malignant melanoma from color images
  • 80.
    Adachi Y. et al, Lee H.-L., Suzuki S.
    Fuzzy Theory in Traditional Chinese Pulse Diagnosis
  • 81.
    Devine B., Macfarlane P.W, Yang T.-F.
    Combination of artificial neural networks and deterministic logic in the electrocardiogram diagnosis of inferior myocardial infarction
  • 82.
    Hoher M., Kestler H.A., Palm G. et al
    Neural network based QRS classification of the signal averaged electrocardiogram
  • 83.
    Anbe J., Egoh Y. et al, Nakajima H.
    Evaluation of neural network rate regulation system in dual activity sensor rate adaptive pacer
  • 84.
    Boone J.M., Greco-Hunt V. et al, Gross G.W.
    Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs
  • 85.
    Floyd C.E.Jr., Lo J.Y., Yun A.J. et al
    Prediction of breast cancer malignancy using an artificial neural network
  • 86.
    Reinbnerger G., Weiss G., Werner-Felmayer G. et al
    Neural networks as a tool for utilizing laboratory information: comparison with linear discriminant analysis and with classification and regression trees
  • 87.
    Трис Д, Шварц Э.
    Программы, умеющие думать
  • 88.
    Aynsley M., Hofland A., Morris A.J. et al
    Artificial intelligence and the supervision of bioprocesses (real-time knowledge-based systems and neural networks)
  • 89.
    Budilova E.V., Teriokhin A.T
    Endocrine networks
  • 90.
    Coutinho A., Dupire B. et al, Varela F.J.
    Cognitive networks: immune, neural and otherwise
  • 91.
    Levine D.S., Parks R.W., Prueitt P.S
    Methodological and theoretical issues in neural network models of frontal cognitive functions
  • 92.
    Van Leeuwen J.L
    Neural network simulations of the nervous system
  • 93.
    Carvallo M.L.B., Junior W.M., Senna A.L., Siqueira A.M
    Neural Networks in Biological Taxonomy
  • 94.
    Guidi J.N, Musavi M.T., Sweeney J.W.P.
    Probabilistic Neural Network as Chromosome Classifier
  • 95.
    Korver M., Lucas P.J
    Converting a rule-based expert system into a belief network
  • 96.
    Gilev S.E. et al, Gorban A.N., Rossiev D.A.
    “NeuroComp” group: neural-networks software and its application
  • 97.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 98.
    Горбань А.Н., Коченов Д.А, Россиев Д.А.
    Применение самообучающихся нейросетевых программ. Раздел 1. Учебно-методическое пособие для студентов специальностей 22.04 и 55.28.00 всех форм обучения
  • 99.
    Гилев С.Е., Гилева Л.В., Горбань А.Н., Гордиенко П.В., Еремин Д.И., Коченов Д.А., Миркес Е.М., Россиев Д.А., Умнов Н.А
    Нейропрограммы. Учебное пособие: В 2 ч.
  • 100.
    Gilev S.E. et al, Gorban A.N., Rossiev D.A.
    Medical and physiological applications of MultiNeuron neural simulator
  • 101.
    Горбань А.Н
    Обучение нейронных сетей
  • 102.
    Гилев С.Е., Горбань А.Н., Миркес Е.М
    Малые эксперты и внутренние конфликты в обучаемых нейронных сетях
  • 103.
    Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А
    Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях
  • 104.
    Коченов Д.А., Миркес Е.М., Россиев Д.А
    Автоматическая подстройка входных данных для получения требуемого ответа нейросети
  • 105.
    Golovenkin S.E., Matjushin G.V, Rossiev D.A., Shulman V.A.
    Neural networks for forecasting of myocardial infarction complications
  • 106.
    Лохман В.Ф, Мызников А.В., Россиев Д.А.
    Нейросетевая экспертная система для оптимизации лечения облитерирующего тромбангиита и прогнозирования его непосредственных исходов
  • 107.
    Лебедев К.А., Понякина И.Д
    Иммунограмма в клинической практике
  • 108.
    Подосинников И.С., Чухловина М.Л
    Метаболизм и функция лимфоцитов при первичных иммунодефицитных состояниях
  • 109.
    Borisov A.G., Kochenov D.A, Rossiev D.A., Savchenko A.A.
    The employment of neural-network classifier for diagnostics of different phases of immunodeficiency
  • 110.
    Савченко А.А., Сунцова Л.Н
    Высокочувствительное определение активности дегидрогеназ в лимфоцитах периферической крови человека биолюминесцентным методом
  • 111.
    Волчек И.А. и др, Кожевников В.С., Лозовой В.П.
    Методы исследования Т-системы иммунитета в диагностике вторичных иммунодефицитов при заболеваниях и повреждениях.- Томск, 1986. 18 с
  • 112.
    Волчек И.А, Кожевников В.С.
    Функциональная активность субклассов Т-лимфоцитов и их роль в патогенезе вторичных иммунодефицитов
  • 113.
    Лазарев И.А., Русаков В.И., Ткачева Т.Н
    Иммунопатологические изменения у больных язвенной болезнью желудка и двенадцатиперстной кишки и их иммунокоррекция
  • 114.
    Горбань А.Н
    Обучение нейронных сетей
  • 115.
    А.Н.Горбань
    Нейроинформатика и ее приложения
  • 116.
    Kimura T., Shima T
    Synapse weight accuracy of analog neuro chip
  • 117.
    Anguita D., Ridella S., Rovetta S
    Limiting the effects of weight errors in feed forward networks using interval arithmetic
  • 118.
    Edwards P., Murray A
    Modelling weight- and input-noise in MLP learning
  • 119.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 120.
    Боровков А.А
    Теория вероятностей
  • 121.
    Гнеденко Б.В
    Курс теории вероятностей
  • 122.
    Ёлкина В.Н., Загоруйко Н.Г., Тимеркаев В.С
    Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм “ZET”)  
  • 123.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 124.
    Borisov A.G., Kochenov D.A, Rossiev D.A., Savchenko A.A.
    The employment of neural-network classifier for diagnostics of different phases of immunodeficiency
  • 125.
    Горбань А.Н
    Проблема скрытых параметров и задачи транспонированной регрессии
  • 126.
    Горбань А.Н., Новоходько А.Ю., Царегородцев В.Г
    Нейросетевая реализация транспонированной задачи линейной регрессии
  • 127.
    A.N. Gorban and A.Yu.Novokhodko
    Neural Networks In Transposed Regression Problem
  • 128.
    Ю.И.Соловьев
    Становление химии как науки. Всеобщая история химии
  • 129.
    Гилл Ф., Мюррей У., Райт М
    Практическая оптимизация
  • 130.
    Горбань А.Н., Миркес Е.М., Свитин А.П
    Полуэмпирический метод классификации атомов и интерполяции их свойств
  • 131.
    Горбань А.Н., Миркес Е.М., Свитин А.П
    Метод мультиплетных покрытий и его использование для предсказания свойств атомов и молекул
  • 132.
    Физико-химические свойства элементов
  • 133.
    Свойства элементов. В 2-х частях. Ч.1. Физические свойства. Справочник
  • 134.
    Hopfield J.J
    Neural networks and physical systems with emergent collective computational abilities
  • 135.
    Горбань А.Н
    Обучение нейронных сетей
  • 136.
    Коноплев В.А., Синицын Е.В
    “Моделирование нейронных сетей с максимально высокой информационной емкостью”
  • 137.
    Golub D.N. Gorban A.N
    Multi-Particle Networks for Associative Memory
  • 138.
    Горбань А.Н., Миркес Е.М
    Информационная емкость тензорных сетей
  • 139.
    Горбань А.Н., Миркес Е.М
    Помехоустойчивость тензорных сетей
  • 140.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере
  • 141.
    Блейхут Р
    Теория и практика кодов, контролирующих ошибки
  • 142.
    Горбань А.Н
    Обучение нейронных сетей
  • 143.
    Denker J.S., Le Cun Y., Solla S.A
    Optimal Brain Damage
  • 144.
    Prechelt L
    Comparing Adaptive and Non-Adaptive Connection Pruning With Pure Early Stopping
  • 145.
    Dogadin S.A., Gilev S.E., Golovenkin S.E., Gorban A.N., Kochenov D.A., Maslennikova E.V., Matyushin G.V., Mirkes Ye.M., Nozdrachev K.G., Rossiev D.A., Savchenko A.A, Shulman V.A.
    MULTINEURON neural simulator and its medical applications
  • 146.
    Rossiev et al
    The Employment of Neural-Network Classifier for Diagnostics of Different phases of Immunodeficiency
  • 147.
    Gorban A.N., Waxman C
    How many neurons are sufficient to elect the U.S.A. President?
  • 148.
    Gordienko P
    Construction of efficient neural networks: Algorithms and tests
  • 149.
    Еремин Д.И // А.Н.Горбань
    Контрастирование // Нейропрограммы
  • 150.
    Butakova E.V., Dogadin S.A., Gilev S.E., Golovenkin S.E., Gorban A.N., Kochenov D.A., Maslennikova E.V., Matyushin G.V., Mirkes Ye.M., Nazarov B.V., Nozdrachev K.G., Rossiyev D.A., Savchenko A.A., Shulman V.A, Smirnova S.V.
    Medical and Physiological Applications of MultiNeuron Neural Simulator
  • 151.
    Dorrer M.G., Gorban A.N., Kopytov A.G., Zenkin V.I
    Psychological Intuition of Neural Networks
  • 152.
    Gorban A.N., Waxman Cory
    Neural Networks For Political Forecast
  • 153.
    Горбань А.Н., Россиев Д.А
    Нейронные сети на персональном компьютере