ÑÐ¾ÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 ÐÐ± - ÐÐ½ÑÐ¾ÑÐ¼Ð°ÑÐ¸Ð¾Ð½Ð½Ð¾ ...

More documents

Recommendations

Info

ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕ13. Ильяшенко Ю. С., Ли В. Нелокальные бифуркации. – М.: МЦНМО-ЧеРо, 1999.– 415 c.14. Hunt B. R., Sauer T., Yorke J. A. Prevalence: A translation-invariant “almost every”on infinite-dimensional spaces // Bull. Amer. Math. Soc., (New Series). – 1992. –v. 27 – pp. 217–238.15. Ott E., Sauer T., Yorke J.A. Coping with chaos: Analysis of chaotic data and theexploitation of chaotic systems. – John Wiley and Sons, 1994. – 432 pp.16. Sauer T., Yorke J. A., Casdagli M. Embedology // J. Statist. Phys.– 1991. – v. 65. –pp. 579–616.17. Packard N. H., Crutchfield J. P., Farmer J. D., Shaw R. S. Geometry from a timeseries // Phys. Rev. Lett. – 1980. – v. 45. – pp. 712–716.18. Takens F. Nonlinear dynamics and turbulence // Ed. Barenblatt G. J., Jooss G.,Joseph D. D. – N. Y. Pitman. – 1983. – pp. 314–333.19. Афраймович В. С., Рейман А. М. Размерности и энтропии в многомерных системах// Нелинейные волны. Динамика и эволюция. – М.: Наука, 1989. – с. 238–262.20. Takens F. Detecting strange attractors in turbulence // Lecture Notes in Math. – 1981.– v. 898. – pp. 366–381.21. Noakes L. The Takens embedding Theorem // Inter. J. Bifurcation and Chaos. –1991. – v. 1. – pp. 867–872.22. Rapp P. E., Schah T. I., Mees A. I. Models of knowing and the investigation ofdynamical systems // Physica D. – 1999. – v. 132. – pp. 133–149.23. Кроновер Р. М. Фракталы и хаос в динамических системах. – М.: ПОСТМАР-КЕТ, 2000. – 350 c.24. Макаренко Н. Г. Фракталы, аттракторы, нейронные сети и все такое // Лекциипо нейроинформатикею – М.: МИФИ, 2002. – ч. 2. – с. 121–169.25. Gilmore R. Topological analysis of chaotic dynamical systems // Rev. Mod. Phys. –1998. – v. 70 – pp. 1456–1529.26. Ruelle D. Chaotic evolution and strange attractors. The statistical analysis of timeseries for deterministic nonlinear systems. – Cambridge Univ. Press., 1989. – 96 p.27. Abarbanel H. D. I., Rabinovich M. I., Sushchic M. M. Introduction to nonlineardynamics for physicists. – World Scientific. – 1993. – v. 53 – 158 p.28. Eckmann J. P., Ruelle D. Ergodic theory of chaos and strange attractors // Rev. Mod.Phys. – 1985. – v. 57. – pp. 617–656.29. Schaw R. Strange attractors, chaotic behavior, and information flow // Z. Naturforsch.– 1981. – v. 36a. – pp. 80–112.138 УДК 004.032.26 (06) Нейронные сети
Н. Г. МАКАРЕНКО30. Малинецкий Г. Г., Потапов А. Б. Современные проблемы нелинейной динамики.– М.: Эдиториал УРСС, 2000. – 335 c.31. Малинецкий Г. Г. Хаос. Структуры. Вычислительный эксперимент: Введение внелинейную динамику. – М.: Эдиториал УРСС, 2002. – 254 c.32. Данилов Ю. А. Лекции по нелинейной динамике – М.: ПОСТМАРКЕТ, 2001. –184 c.33. Шустер Г. Детерминированный хаос – М.: Мир, 1988. – 240 c.34. Milnor J. On the concept of attractor // Commun. Math. Phys.– 1985. – v. 99. –pp. 177–195.35. Schreiber T. Interdisciplinary application of nonlinear time series methods // Phys.Rep. – 1999. – v. 308. – No. 2URL: http://xyz.lanl.gov/chao-dyn/98070036. Parlizt U. Nonlinear time series analysisURL: http://WWWDPI.Physik.Uni-Goettingen.DE/ ∼ ulli/pub95.html37. TISEAN Nonlinear time series analysisURL: http://WWW.mpipks-dresden.mpg.de/ tisean/38. TSTOOL Software package for nonlinear time series analysisURL: http://WWW.physik3.gwdg.de/tstool/39. Тутубалин В. Н. Теория вероятности и случайные процессы. – М.: МГУ, 1992.– с. 342–353.40. Марпл-мл. С. Л. Цифровой спектральный анализ и его приложения. – М.: Мир,1990. – 584 c.41. Serio C. Towards long-term prediction // Il Nuovo Cimento. – 1992. – v. 107B. –pp. 681-701.42. Farmer J. D., Sidorovich J. J. Predicting chaotic time series // Phys. Rev. Lett. –1987. – v. 59. – pp. 845–848.43. Малинецкий Г. Г. Синергетика, предсказуемость и детерминированный хаос:Пределы предсказуемости. – М.: ЦентрКом, 1997. – 247 c.44. Малинецкий Г. Г., Курдюмов С. П. Нелинейная динамика и проблемы прогноза// Вестник Российской Академии наук. – 2001. – т. 71, № 3. – с. 210–232.45. Poggio T., Girosi F. A Theory of networks for approximation and learning // MIT AILab. Technical Report. – 1989. – Memo No 1140. – Paper No 31.URL: http://citeseer.nj.nec.com/poggio89theory.html46. Girosi F., Poggio T. Networks and the best approximation property // MIT AI Lab.Technical Report. – 1989. – Memo No 1164. – Paper No 45.URL: http://www.ai.mit.edu/people/poggioУДК 004.032.26 (06) Нейронные сети 139
Page 1 and 2:
МИНИСТЕРСТВО ОБРАЗ
Page 4 and 5:
ISBN 5-7262-0471-9ЛЕКЦИИ ПО
Page 6 and 7:
Page 8 and 9:
Page 10 and 11:
Page 12 and 13:
Page 14 and 15:
Page 16 and 17:
Page 18 and 19:
Page 20 and 21:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
А. А. ФРОЛОВ 1) , Д. ГУ
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
Page 36 and 37:
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Page 46 and 47:
Page 48 and 49:
Page 50 and 51:
Page 52 and 53:
Page 54 and 55:
Page 56 and 57:
Page 58 and 59:
Page 60 and 61:
Page 62 and 63:
Page 64 and 65:
Page 66 and 67:
Page 68 and 69:
Page 70 and 71:
Page 72 and 73:
Б. В. КРЫЖАНОВСКИЙ,
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
Page 82 and 83:
Page 84 and 85:
Page 86 and 87:
Н. Г. МАКАРЕНКОИнст
Page 88 and 89: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
Page 188:
НАУЧНАЯ СЕССИЯ МИФ
show all

ÑÐ¾ÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 ÐÐ± - ÐÐ½ÑÐ¾ÑÐ¼Ð°ÑÐ¸Ð¾Ð½Ð½Ð¾ ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

ÑÐ¾ÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 ÐÐ± - ÐÐ½ÑÐ¾ÑÐ¼Ð°ÑÐ¸Ð¾Ð½Ð½Ð¾ ...