The 7 references with contexts in paper K. Likhoedenko P., V. Hohlov K., В. Хохлов К., К. Лихоеденко П. (2016) “Получение статистических характеристик информативных признаков сигналов в автономных информационных системах с использованием нейросетей // The obtaining of statistical characteristics of informative features of signals in the Autonomous information systems using neural networks” / spz:neicon:technomag:y:2014:i:3:p:200-218

1
Автономные информационные и управляющие системы: в 4 т. Т. 1 / Ю.М. Астапов, А.Б. Борзов, А.К. Ефремов [и др.]; под ред. А.Б. Борзова. М.: ООО НИЦ «Инженер», ООО «Онико-М»,
Total in-text references: 4
  1. In-text reference with the coordinate start=1599
    Prefix
    Всем отмеченным выше требованиям удовлетворяет подход к созданию принципиально новых АИС, основанный на обработке в трактах АИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов и на применении нейросетевых технологий для исследования и проектирования АИС нового поколения
    Exact
    [1]
    Suffix
    . В зарубежной литературе [2-4] рассматриваются вопросы применения нейросетей и линейной регрессии для распознавания объектов в радиолокационных системах, однако при этом задача решается в рамках классической теории (в том числе дискриминантного анализа) применительно к центрированным параметрам информативных признаков сигналов.

  2. In-text reference with the coordinate start=5363
    Prefix
    Научная новизна определяется применением нейросетевых алгоритмов для эффективного решения задач выбора информативных признаков и определения параметров регрессионных алгоритмов в условиях вырожденности или плохой обусловленности данных при неизвестных математических ожиданиях и ковариационных матрицах. Постановка задачи В
    Exact
    [1, стр. 161]
    Suffix
    показано что, что при обнаружении сигналов на фоне белого шума в регрессионных алгоритмах необходимо вычислять квадраты ошибок множественных начальных представлений вида 2 11             n ki k iikk n i xx, где: – коэффициенты начальной регрессии; kx– оценки нецентрированных параметров сигналов.

  3. In-text reference with the coordinate start=14505
    Prefix
    Использование вычисленного теоретически значения матрицы позволит получить более достоверные результаты. Теоретически элементы матрицы K ковариационных моментов интервалов между нулями стационарного случайного процесса можно получить по формулам
    Exact
    [1,стр. 50]
    Suffix
    : KC,,        , 0 1k   . где:  – средняя частота энергетического спектра сигнала; В - корреляционная функция фазы процесса. Корреляционную функцию фазы В необходимо определить при фиксированных значениях аргумента   , где    – математическое ожидание случайной длительности интервалов между нулями сигнала, K- сдвиг между сечениями (рис.

  4. In-text reference with the coordinate start=20333
    Prefix
    Результаты исследований показали, что по предлагаемой методике легко могут быть вычислены требуемые статистические характеристики даже при нормированных коэффициентах корреляции параметров сигналов стремящихся к единице. В
    Exact
    [1, стр. 247]
    Suffix
    показано, что при 1rik, n1 1  , где n- размерность входного вектора. Это позволило осуществить проверку правильности выполненных расчетов. График, приведенный на рисунке 10 подтверждает тот факт, что при   0 все КМНР стремятся к одинаковому значению: , где n - размерность входного вектора.

2
11. С. 5-293. 2. Lin Yun L., Jing-chao L. Radar signal recognition algorithms based on neural network and grey relation theory // Cross Strait Quad-Regional Radio Science and Wireless Technology Conference (CSQRWC). Vol. 2. 2011. P. 1482-1485. DOI: 10.1109/CSQRWC.2011.6037247
Total in-text references: 1
  1. In-text reference with the coordinate start=1632
    Prefix
    требованиям удовлетворяет подход к созданию принципиально новых АИС, основанный на обработке в трактах АИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов и на применении нейросетевых технологий для исследования и проектирования АИС нового поколения [1] . В зарубежной литературе
    Exact
    [2-4]
    Suffix
    рассматриваются вопросы применения нейросетей и линейной регрессии для распознавания объектов в радиолокационных системах, однако при этом задача решается в рамках классической теории (в том числе дискриминантного анализа) применительно к центрированным параметрам информативных признаков сигналов.

3
Javed A., Ejaz A., Liaqat S., Ashraf A., Ihsan M.B. Automatic target classifier for a Ground Surveillance Radar using linear discriminant analysis and Logistic regression // 2012 9th European Radar Conference (EuRAD). 2012. P. 302-305.
Total in-text references: 1
  1. In-text reference with the coordinate start=1632
    Prefix
    требованиям удовлетворяет подход к созданию принципиально новых АИС, основанный на обработке в трактах АИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов и на применении нейросетевых технологий для исследования и проектирования АИС нового поколения [1] . В зарубежной литературе
    Exact
    [2-4]
    Suffix
    рассматриваются вопросы применения нейросетей и линейной регрессии для распознавания объектов в радиолокационных системах, однако при этом задача решается в рамках классической теории (в том числе дискриминантного анализа) применительно к центрированным параметрам информативных признаков сигналов.

4
Ali S.F., Jaffar J., Malik A.S. Proposed framework of Intelligent Video Automatic Target Recognition System (IVATRs) // 2011 National Postgraduate Conference (NPC). 2011. P. 1-5. DOI: 10.1109/NatPC.2011.6136315
Total in-text references: 1
  1. In-text reference with the coordinate start=1632
    Prefix
    требованиям удовлетворяет подход к созданию принципиально новых АИС, основанный на обработке в трактах АИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов и на применении нейросетевых технологий для исследования и проектирования АИС нового поколения [1] . В зарубежной литературе
    Exact
    [2-4]
    Suffix
    рассматриваются вопросы применения нейросетей и линейной регрессии для распознавания объектов в радиолокационных системах, однако при этом задача решается в рамках классической теории (в том числе дискриминантного анализа) применительно к центрированным параметрам информативных признаков сигналов.

5
Хохлов В.К., Гулин Ю.Ю. Выбор информативных признаков в автономных информационных системах с нейросетевыми трактами обработки сигналов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2003. No 3. C. 70-83.
Total in-text references: 1
  1. In-text reference with the coordinate start=4682
    Prefix
    физических признаках объектов заключена в соотношениях между детерминированными составляющими параметров сигналов при каждом из конкретных условий встреч и задачи по построению АИС часто приходится решать условиях неизвестных математических ожиданий, поэтому применение перечисленных выше классических методов часто оказывается затруднительным. В
    Exact
    [5]
    Suffix
    исследован метод выбора и сокращения размерности вектора входной реализации, основанный на начальных регрессионных представлениях. Для реализации метода необходимо вычисление остаточных средних квадратических значений множественных начальных регрессионных представлений и коэффициентов начальной регрессии.

6
Демидович Б.П., Марон И.А. Основы вычислительной математики. М.: Наука, 1970.
Total in-text references: 1
  1. In-text reference with the coordinate start=10134
    Prefix
    Теоретически наличие у задачи устойчивости означает, что ее решение может быть найдено со сколь угодно малой погрешностью, если только гарантировать, что погрешности входных данных достаточно малы. Однако на практике погрешности входных данных не могут быть сколь угодно малыми, точность их ограничена. Обусловленность вычислительной задачи
    Exact
    [6]
    Suffix
    есть чувствительность ее решения к малым погрешностям входных данных. Задачу называют хорошо обусловленной, если малым погрешностям входных данных отвечают малые погрешности решения, и плохо обусловленной, если возможны сильные изменения решения.

7
Оссовский С. Нейронные сети для обработки информации / Пер. с польск. И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=19008
    Prefix
    Рассматривалась однослойная нейронная сеть с n входами (рисунок 1), обрабатывающая нецентрированные значения интервалов между нулями нормального стационарного случайного процесса. Сеть обучалась на математической модели сигнала по алгоритму обратного распространения
    Exact
    [7]
    Suffix
    . Сглаженная зависимость величины ошибки на выходе сети от номера итерации приведена на рисунке 9. Рис. 9. Зависимость величины ошибки при обучении сети от номера итерации Как показывают результаты расчетов (рисунок 8), величина ошибки достигает приемлемо малой величины (  10 -5 ) уже через 100000 итераций.