Библиография

1. 1. Бердичевский М.Н., Дмитриев В.И. Модели и методы магнитотеллурики. М.: Научный мир. 2009. 680 с.
2. 2. Гужва А.Г., Доленко С.А., Оборнев Е.А. и др. Использование адаптивных алгоритмов отбора существенных признаков при нейросетевом решении обратной задачи электроразведки // Нейрокомпьютеры: разработка, применение. 2010. № 3. С. 46–54.
3. 3. Дмитриев В.И. Обратные задачи геофизики. Монография. М.: МАКС Пресс. 2012. 340 с.
4. 4. Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Научный мир. 2007. 712 с.
5. 5. Корженевский A.B. Использование искусственных нейронных сетей для решения обратных задач электроимпедансной и магнитоиндукционной томографии // Журнал радиоэлектроники. 2001. № 12. [Электронный ресурс http://jre.cplire.ru/jre/dec01/index_e.html]
6. 6. Оборнев Е.А., Оборнев И.Е., Родионов Е.А., Шимелевич М.И. Применение нейронных сетей в нелинейных обратных задачах геофизики // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 6. С. 1053–1065. DOI: 10.31857/S0044466920060071
7. 7. Оборнев Е.А., Шимелевич М.И., Доленко С.А., Шугай Ю.С. Классификация магнитотеллурических данных с использованием нейросетевого метода // Изв. высших учебных заведений. Геология и разведка. 2007. № 5. С. 60–68.
8. 8. Ротштейн А.П., Митюшкин Ю.И. Идентификация нелинейных зависимостей нейронными сетями // Проблемы бионики. 1998. №49. С.168–174.
9. 9. Сараев А.К., Антащук К.М., Никифоров А.Б., Прокофьев О.М., Романова Н.Е., Денисов Р.В. Возможности аудиомагнитотеллурических зондирований при решении структурных и поисковых задач в алмазоносных районах // Вопросы геофизики. 2010. Т. 443(43). С. 126–158.
10. 10. Спичак В.В., Борисова В.П., Фрейнберг Э.Б. и др. Трехмерная электромагнитная томография эльбрусского вулканического центра по магнитотелургическим и спутниковым данным //Вулканология и сейсмология. 2007. № 1. С. 58–73.
11. 11. Спичак В.В. Электромагнитная томография земных недр. М.: Научный мир. 2019. 374 с.
12. 12. Спичак В.В. Трехмерная байесовская инверсия. Электромагнитные исследования земных недр / Спичак В.В. (ред.). М.: Научный мир. 2005. С. 91–109.
13. 13. Спичак В.В., Попова И.В. Методология нейросетевой инверсии геофизических данных // Физика Земли. 2005. № 3. C. 71–85.
14. 14. Спичак В.В., Попова И.В. Применение нейросетевого подхода для реконструкции параметров трехмерной геоэлектрической структуры // Физика Земли. 1998. № 1. С. 39–45.
15. 15. Тихонов А.Н., Гласко В.Б., Дмитриев В.И. Математические методы в разведке полезных ископаемых. М.: изд-во “Знание”. Сер. Математика и кибернетика. 1983. № 12. 64 с.
16. 16. Тихонов А.Н., Гончарский А.В., Степанов В.В., Ягола А.Г. Численные методы решения некорректных задач. М.: Наука. 1990. 232 с.
17. 17. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. 1979. 286 с.
18. 18. Фельдман И.С., Окулесский Б.А., Сулейманов А.К. и др. Электроразведка методом МТЗ в комплексе региональных нефтегазопоисковых работ в европейской части России // Записки Горного института. 2008. Т. 176. С. 125–131.
19. 19. Хайкин С. Нейронные сети: полный курс, 2-е издание. Пер. с англ. М.: ООО “И.Д. Вильямс”. 2006. 1104 с.
20. 20. Цымблер М.Л., Юртин А.А. Восстановление пропущенных значений временного ряда на основе совместного применения аналитических алгоритмов и нейронных сетей // Вычислительные методы и программирование. 2023. Т. 24. № 3. С. 243–259. DΟΙ:10.26089/NumMet.v24r318
21. 21. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python. М.: ДМК Пресс. 2018. 358 с.
22. 22. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Аппроксимационный нейросетевой метод решения многомерных нелинейных обратных задач геофизики // Физика Земли. 2017. № 4. С. 100–109.
23. 23. Шимелевич М.И. Методы повышения устойчивости инверсии данных геоэлектрики на основе нейросетевого моделирования // Геофизика. 2013. № 4. С. 49–55.
24. 24. Шимелевич М.И. О методе расчета модуля непрерывности обратного оператора и его модификаций с приложением к нелинейным задачам геоэлектрики // Вычислительные методы и программирование. 2020. Т. 21. Вып. 4. С. 350–372. DOI: 10.26089/NUMMET.V21R430
25. 25. Шимелевич М.И., Оборнев Е.А. Аппроксимационный метод решения обратной задачи МТЗ с использованием нейронных сетей // Физика Земли. 2009. № 12. С. 22–38.
26. 26. Шимелевич М.И., Оборнев Е.А. Аппроксимационный подход к решению обратной задачи геоэлектрики с использованием нейронных сетей. Тез. докл. Международная конференция “Обратные и некорректные задачи математической физики”. Новосибирск, Академгородок, 5–12 августа, 2012. С. 289.
27. 27. Шимелевич М.И., Оборнев Е.А. Нейросетевая инверсия МТ данных в классах параметризованных геоэлектрических разрезов // Физика Земли. 2007. № 3. С. 25–30.
28. 28. Шимелевич М.И., Оборнев Е.А. Применение метода нейронных сетей для аппроксимации обратных операторов в задачах электромагнитных зондирований // Известия высших учебных заведений. Геология и разведка. 1999. № 2. С. 102–106.
29. 29. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Алгоритм решения обратной задачи геоэлектрики на основе нейросетевой аппроксимации // Сибирский журнал вычислительной математики. 2018. Т. 21. № 4. С. 451–468. DOI: 10.15372/SJNM20180408
30. 30. Шимелевич М.И., Родионов Е.А., Оборнев И.Е., Оборнев Е.А. Нейросетевая 3D инверсия полевых данных геоэлектрики с расчетом апостериорных оценок // Физика Земли. 2022. № 5. С. 3–13. DOI: 10.31857/S0002333722050246
31. 31. Backus G. E. Bayesian inference in geomagnetism // Geophys. J. Int. 1988. V. 92(1). Р. 125–142.
32. 32. Bengio Y. Learning Deep Architectures for AI // Foundations and Trends in Machine Learning. V. 2. Is. 1. P. 1–127. 2009. DOI:10.1561/2200000006
33. 33. Cybenko G. Approximation by superpositions of a sigmoidal function // Math. Control Signals Syst. 1989. V. 2 (4). P. 303–314.
34. 34. Hidalgo H., Gomez–Trevino E., Swiniarski R. Neural network approximation of an inverse functional. Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94). 1994. V. 5. P. 3387–3392.
35. 35. Obornev I.E., Shimelevich M.I., Obornev E.A., Dolenko S.A., Rodionov E.A. Method of focusing neural network approximators for solving a nonlinear inverse problem of geophysics. Conference Proceedings, 1st Regional Conference on Data Science in Oil and Gas 2020. P. 1–6. DOI: 10.3997/2214-4609.202054022
36. 36. Poulton M., Glass C., Sternberg B. Recognizing EM ellipticity patterns with neural networks. 59th Ann. Internat. Mtg., Soc. Expl. Geophys. 1989. P. 208–212.
37. 37. Poulton M., Sternberg B., Glass C. Neural network pattern recognition of subsurface EM images // Journal of Applied Geophysics. 1992. V. 29. Is. 1. P. 21–36.
38. 38. Poulton М.М. Neural networks as an intelligence amplification tool: A review of applications // Geophysics. 2002. V. 67. Is. 3. Р. 979–993. DOI: 10.1190/1.1484539
39. 39. Raiche A. A pattern recognition approach to geophysical inversion using neural nets // Geophysics J. Int. 1991. V. 105. Is. 3. Р. 629–648.
40. 40. Shimelevich M., Obornev E. The method of neuron network in inverse problems MTZ. Abstracts of the 14-th workshop on Electromagnetic Induction in the Earth, Sinaia. Romania, 1998. P. 159.
41. 41. Ziming Liu, Yixuan Wang, Sachin Vaidya, Fabian Ruehle, James Halverson, Marin Soljačić, Thomas Y. Hou, Max Tegmark. KAN: Kolmogorov-Arnold Networks. arXiv. 2024.DOI: 10.48550/arXiv.2404.19756
42. 42. Spichak V., Popova I.V. Artificial neural network inversion of MT-data in terms of 3D earth macro-parameters // Geoph. J. Int. 2000. V. 142. P. 15-26.
43. 43. Spichak V.V. Computational Geo-Electromagnetics: Methods, Models and Forecasts. Cambridge, MA, USA: Elsevier. 2020. 462 p.