Все выпуски

Список литературы:

1. Е. В. Балацкий. Вспомагательные импринты и поведение человека // Вестник Российской академии наук. — 2007. — Т. 77, № 10.
   • E. V. Balatsky. Accessory imprints and behavior // Herald of the Russian Academy of Sciences. — 2007. — V. 77, no. 10. — in Russian.
2. С. И. Барцев, С. Е. Гилев, В. А. Охонин. Принцип двойственности в организации адаптивных сетей обработки информации / Динамика химических и биологических систем. — Новосибирск: Наука, 1989. — С. 6–55.
   • S. I. Bartsev, S. E. Gilev, V. A. Okhonin. Duality principle in the organization of the adaptive information processing networks / Dynamics of chemical and biological systems. — Novosibirsk: Science, 1989. — P. 6–55. — in Russian.
3. М. Г. Гаазе-Рапопорт, Д. А. Поспелов. От амебы до робота: модели поведения. — М: Наука; Физматлит, 1987. — 288 с.
   • M. G. Haase-Rapoport, D. A. Pospelov. From amoeba to the robot: behaviors. — M: Nauka; Fizmatlit, 1987. — 288 p. — in Russian. — MathSciNet: MR0921028.
4. А. И. Галушкин. Синтез многослойных систем распознавания образов. — М: Энергия, 1974.
   • A. I. Galushkin. Synthesis of multilayer pattern recognition systems. — M: Energy, 1974. — in Russian. — MathSciNet: MR0441030.
5. Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. Генетические алгоритмы: Учебное пособие. — М: Физматлит, 2006. — С. 320. — 2-е изд.
   • L. A. Gladkov, V. V. Kureichik, V. M. Kureichik. Genetic Algorithms: Tutorial. — M: Fizmatlit, 2006. — P. 320. — 2nd ed. — in Russian.
6. А. Н. Горбань. Обучение нейронных сетей. — М: СССР–США СП «ПараГраф», 1990. — 160 с.
   • A. N. Gorban. Training neural networks. — M: USSR–US joint venture “ParaGraph”, 1990. — 160 p. — in Russian.
7. Д. Николлс, Р. Мартин, Б. Валлас, П. Фукс. От нейрона к мозгу. — М: Едиториал УРСС, 2003. — 672 с.
   • D. Nicholls, R. Martin, B. Wallace, P. Fuchs. From the neuron to the brain. — Trans. P. M, Balaban, A. V. Galkin, R. A. Giniatullin, R. N. Hazipova, L. Khirug. — M: Editorial URSS, 2003. — 672 p. — in Russian.
8. В. Г. Редько. Модели адаптивного поведения — биологически инспирированный подход к искусственному интеллекту // Искусственный интеллект и принятие решений. — 2008. — Т. 2.
   • V. G. Redko. Models of adaptive behavior — biologically inspired approach to artificial intelligence // Artificial intelligence and decision-making. — 2008. — V. 2. — in Russian.
9. В. Г. Редько. Перспективы исследований на стыке информатики и биологии // Нейроинформатика. — 2007. — Т. 2, № 1.
   • V. G. Redko. Prospects for research at the intersection of computer science and biology // Neuroinformatics. — 2007. — V. 2, no. 1. — in Russian.
10. О. Ю. Синявский, А. И. Кобрин. Обучение с подкреплением спайковой нейронной сети в задаче управления агентом в дискретной виртуальной среде // Нелинейная динамика. — 2011. — Т. 7, № 4.
    • O. J. Sinyavsky, A. I. Kobrin. Reinforcement learning spiking neural network in the task management agent in discrete virtual environment // Nonlinear Dynamics. — 2011. — V. 7, no. 4. — in Russian.
11. А. Г. Туманян, С. И. Барцев. Простейшая поведенческая модель формирования импринта // Компьютерные исследования и моделирование. — 2014. — Т. 6, № 5. — С. 793–802. — DOI: 10.20537/2076-7633-2014-6-5-793-802
    • A. G. Tumanyan, S. I. Bartsev. The simplest model of behavioral imprint // Computer studies and modeling. — 2014. — V. 6, no. 5. — P. 793–802. — in Russian. — DOI: 10.20537/2076-7633-2014-6-5-793-802
12. А. Г. Туманян, С. И. Барцев. Свидетельство о государственной регистрации программы для ЭВМ № 2016611753, «Программа для создания реалистичной модели простейшего двигательного паттерна мобильного робота».
13. G. A. Carpenter, S. Grossberg. ART 3: Hierarchical search using chemical transmitters in self-organizing pattern recognition architectures // Neural Networks. — 1990. — V. 3. — P. 129–152. — DOI: 10.1016/0893-6080(90)90085-Y.
14. R. Legenstein, N. Wilbert, L. Wiskott. Reinforcement Learning on Slow Features of High-Dimensional Input Streams // PLoS Comput Biol. — 2010. — V. 8. — e1000894. — DOI: 10.1371/journal.pcbi.1000894.. — MathSciNet: MR2727562.
15. D. E. Rumelhart, G. E. Hinton, R. J. Williams. Learning internal representation by error propagation // Paraller Distributed Processing. — 1986. — V. 1, no. 8.
16. R. S. Sutton, A. G. Barto. Reinforcement learning: An introduction. — Cambridge, MA: MIT Press, 1998. — 323 p.