1. Барановский А. М., Бобриков Д. А. Современные подходы к диагностике и восстановлению работоспособности информационно-управляющих систем подвижного состава с применением многоагентных и нейросетевых технологий // Интеллектуальные технологии на транспорте. 2025. № 1 (41). C. 5–13. DOI:https://doi.org/10.20295/2413-2527-2025-141-5-13 EDN: https://elibrary.ru/IIIKAH
2. Барановский А. М., Бобриков Д. А. Многоагентная архитектура для интеллектуальной диагностики подвижного состава: концепция и прототипирование // Интеллектуальные технологии на транспорте. 2025. № 3 (43). С. 25–32. DOI:https://doi.org/10.20295/2413-2527-2025-343-25-32 EDN: https://elibrary.ru/UEUHQE
3. Барановский А. М., Мусиенко А. С. Динамические диагностические модели и метод обеспечения устойчивости контроля технического состояния бортовых систем управления летательных аппаратов // Труды МАИ. 2024. № 139. 31 с. EDN: https://elibrary.ru/WVXLBK
4. Звонарев С. В. Основы математического моделирования: учебное пособие. Екатеринбург: Изд-во Уральского ун-та, 2019. 112 с. EDN: https://elibrary.ru/ZDEUBF
5. Ромкин М. В. Идентификация объектов железнодорожного подвижного состава по их геометрическим параметрам // Идентификация систем и задачи управления (SICPRO ‘15): труды X Международной конференции (Москва, Россия, 26–29 января 2015 г.). М.: ИПУ РАН, 2015. С. 738–750. EDN: https://elibrary.ru/TQGDTV
6. Технология Big Data: потенциал, проблемы и применение в медицине и здравоохранении / З. Т. Магеррамов [и др.] // Радиоэлектроника и информатика. 2020. № 1. С. 54–68.
7. Карнаухов Н. С., Ильюхин Р. Г. Возможности технологий «Big Data» в медицине // Врач и информационные технологии. 2019. № 1. С. 59–63. EDN: https://elibrary.ru/ZAFWGL
8. Использование искусственных нейронных сетей на Российских железных дорогах для контроля токоприемников поездов / В. С. Язынин, А. М. Барановский, А. А. Воробьев, И. Ю. Романова // International Journal of Advanced Studies: Transport and Information Technologies. 2023. Т. 13, № 1. С. 267–287. DOI:https://doi.org/10.12731/2227-930X-2023-13-1-267-287 EDN: https://elibrary.ru/UGLBCH
9. Тихонов А. А. Большие данные и глубокое машинное обучение в искусственных нейронных сетях // Наука и образование сегодня. 2018. № 6 (29). С. 35–38. EDN: https://elibrary.ru/XRHGYX
10. Rithani M., Kumar R. P., Doss S. A Review on Big Data Based on Deep Neural Network Approaches // Artificial Intelligence Review. 2023. Vol. 56, iss. 12. Pp. 14765–14801. DOI:https://doi.org/10.1007/s10462-023-10512-5 EDN: https://elibrary.ru/OVDDPQ
11. Аксак Н. Г. Концепция построения мультиагентных систем распределенной нейросетевой обработки больших данных // Вестник Херсонского национального технического университета. 2018. № 3-1 (66). C. 205–212.
12. Летунова И. Э., Летунов Е. Д. Мультиагентная система для анализа больших данных на предприятиях ракетно-космической отрасли / И. Э. Летунова, Е. Д. Летунов; науч. рук. И. В. Ковалев // Актуальные проблемы авиации и космонавтики: сборник материалов VIII Международной научно-практической конференции, посвященной Дню космонавтики (Красноярск, Россия, 11–15 апреля 2022 г.): в 3 т. Том 2. Красноярск: СибГУ им. М. Ф. Решетнева, 2022. С. 45–47. EDN: https://elibrary.ru/WSNEHL
13. Липатов А. Г. Возможности использования искусственного интеллекта для управления большими информационными массивами данных Big Data // Инновации и инвестиции. 2023. № 5. С. 187–189. EDN: https://elibrary.ru/UPHPKT
14. Бова В. В., Дуккардт А. Н. Применение искусственных нейронных сетей для коллективного решения интеллектуальных задач // Известия Южного федерального университета. Технические науки. 2012. № 7. С. 131–138. EDN: https://elibrary.ru/PAXXRB
15. Никонов А. А. Гибридные подходы к адаптивному управлению организационными структурами многоагентных систем в условиях неполной наблюдаемости и динамичных изменений среды // Вестник науки. 2025. № 1-2 (82). С. 1022–1026. EDN: https://elibrary.ru/BNXBQM
