Γουλιάνας Κωνσταντίνος - Ερευνητικό Έργο

ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ

Διδακτορική Διατριβή του Τμήματος Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας, στη γνωστική περιοχή των Τεχνητών Νευρωνικών Δικτύων (2000), με θέμα "Αρχιτεκτονικές και Αλγόριθμοι Τεχνητών Νευρωνικών Δικτύων για την Επίλυση Συστημάτων Γραμμικών Εξισώσεων και Προβλημάτων Ταξινόμησης και Προσαρμογής".

ΔΗΜΟΣΙΕΥΣΕΙΣ ΣΕ ΕΓΚΡΙΤΑ ΔΙΕΘΝΗ ΠΕΡΙΟΔΙΚΑ ΜΕ ΚΡΙΤΕΣ

J11 :“Neuroevolution Strategy for Time Series Prediction ”, G. Naskos, K. Goulianas, A.Margaris, Journal of Applied Mathematics and Physics, Vol. 8, No. 6, 2020, doi: 10.4236/jamp.2020.86082.
J10 :“Solving Polynomial Systems Using a Fast Adaptive Back Propagation Neural Network Algorithm”, K. Goulianas, A.Margaris, I. Refanidis and K. Diamantaras, Εuropean Journal of Applied Mathematics, 2017, 1-37, doi:10.1017/S0956792517000146.
J9: “A Back Propagation-Type Neural Network Architecture for Solving the Complete n x n Nonlinear Algebraic System of Equations”, K. Goulianas, A. Margaris, I. Refanidis, K. Diamantaras, and Theophilos Papadimitriou, Advances in Pure Mathematics, 2016, 6, 455-480.
J8: “An Adaptive Learning Rate Backpropagation-Type Neural Network for Solving nxn Systems of Nonlinear Algebraic Equations”, K. Goulianas, A.Margaris, I. Refanidis and K. Diamantaras, Math. Meth. Appl. Sci., 2015, 39 (10), pp. 2602-2616, DOI: 10.1002/mma.3715 .

J7: “Estimating 2-cycle fixed points of henon map using backpropagation neural networks”, Athanasios Margaris, Konstantinos Goulianas, Konstantinos Diamantaras, and Theophilos Papadimitriou, Math. Meth. Appl. Sci. 2013, DOI: 10.1002/mma.3064
J6: “Finding All Real Roots of 3x3 Nonlinear Algebraic Systems Using Neural Networks“, Goulianas K., Margaris A., Adamopoulos M., Applied Mathematics and Computations, Volume 219, Number 9, January 2013, pp 4444-4464.
J5: “Finding All Roots of 2x2 Nonlinear Algebraic Systems Using Backpropagation Neural Networks“, Margaris A., Goulianas K., Neural Computing and Applications, July 2012, Volume 21, Issue 5, pp 891-904, DOI 10.1007/s00521-010-0488-z.
J4: "Linear Neural Network Training Algorithms for Real-World Benchmark Problems", Goulianas K., Adamopoulos M., Katsavounis S., Fragakis Ch., Tsouros C. C.., International Journal of Computer Mathematics, Vol. 79, No 11 (2002), pp. 1149-1167.
J3: "Structured Artificial Neural Networks for Fast Batch LMS Algorithms", Goulianas K., Adamopoulos M., Margaritis K.G., Neural, Parallel & Scientific Computations Vol. 5, No. 4, (1997), pp. 549-562.
J2: "On Multi-Property Set Operations using Neural Networks and Systolic Arrays", Margaritis K.G., Goulianas K., Adamopoulos M., Tsouros K.K. and Evans D.J., Neural, Parallel & Scientific Computations Vol. 3, Number 1 (1995), pp. 1-14.
J1: "Artificial Neural Networks and Iterative Linear Algebra Methods", Margaritis KG, Adamopoulos M., Goulianas K., and Evans D.J.., Parallel Algorithms and Applications, Vol. 3 (1994), pp. 31-44.

ΣΥΜΜΕΤΟΧΕΣ ΣΕ ΔΙΕΘΝΗ ΣΥΝΕΔΡΙΑ

IC3: “ANALYZING DATA INTO QUANTIZED COMPONENTS”, Konstantinos Diamantaras, Theophilos Papadimitriou, Konstantinos Goulianas. Έγινε δεκτό για Παρουσίαση-Δημοσίευση στα πρακτικά του Συνεδρίου IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2014 - Machine Learning for Signal Processing
IC2: "Searching for the Occurences of a String in a Text using Artificial Neural Networks", Tsouros K. K., Adamopoulos M., Goulianas K. and Margaritis K.G.., Πρακτικά του 2nd Balkan Conference on Operational Research, 18-21 October 1993, Thessaloniki, pp. 784-794.
IC1: "Information processing with artificial neural networks", MargaritisK.G., AdamopoulosM., GoulianasK., Invited paper, IXConf. Of South-East European Soc. For Neurology and Psychiatry,Thessaloniki,1992.

ΣΥΜΜΕΤΟΧΕΣ ΣΕ ΕΛΛΗΝΙΚΑ ΣΥΝΕΔΡΙΑ

GC2: "Multiproperty set operations using neural networks", Margaritis K. G., Adamopoulos M., Goulianas K., , Proc. 4th Panhellenic Conference on Informatics, Patras, pp.495-506, 1993.
GC1: "Structured Neural Networks for Iterative Solution of Linear Systems", Margaritis K.G., Adamopoulos M., Goulianas K.., Proc. HERMIS '92, 1st Hellenic-European Conf. In Mathematics and Informatics, Athens, pp.499-508, 1993.

ΔΗΜΟΣΙΕΥΣΕΙΣ ΣΕ ΕΛΛΗΝΙΚΑ ΠΕΡΙΟΔΙΚΑ

GJ2: "Solving linear systems by artificial neural network energy minimisation", Margaritis K. G., Adamopoulos M., Goulianas K., Univ. Of Macedonia Annals (Vol. XII), (in Greek), pp. 501-525, 1993.
GJ1: "Επίλυση Γραμμικών Συστημάτων με τη χρήση Δικτύων τύπου Hοpfield και Back-Propagation", Αδαμόπουλος Μ., Μαργαρίτης Κ., Γουλιάνας Κ., Επετηρίδα του Τομέα Ηλεκτρονικής, του Τμήματος Ηλεκτρολόγων του Αριστοτελείου Παν/μίου Θεσ/νίκης, 1992, (Σελ. 20.1-20.10 ).

ΣΥΜΜΕΤΟΧΗ ΣΕ ΕΠΙΤΡΟΠΕΣ ΣΥΝΕΔΡΙΩΝ - ΚΡΙΤΗΣ ΠΕΡΙΟΔΙΚΩΝ

Συμμετοχή στην Επιτροπή ( Workshop Chair ) του Συνεδρίου 6th Balkan Conference in Informatics (BCI2013), 21-27 Σεπτεμβρίου 2013.
Συμμετοχή ( Workshop Chair ) στην Επιτροπή του Συνεδρίου ICANN 2010, International Conference in Artificial neural networks, 15-18 Σεπτεμβρίου 2010.
Συμμετοχή στην Τοπική Επιτροπή του Συνεδρίου IEEE International Workshop on Machine Learning for Signal Processing, 27-29 Αυγούστου 2007.
Συμμετοχή στη Συντακτική Επιτροπή του Περιοδικού Central European Journal of Computer Science
Συμμετοχή στη Συντακτική Επιτροπή του Περιοδικού International Journal of Computer mathematics
Συμμετοχή στη Συντακτική Επιτροπή του Περιοδικού Information Sciences.

ΣΥΓΓΡΑΦΙΚΟ ΕΡΓΟ - ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ

ΔΒ22 :   “Οδηγός της Python για Χρήση στη Μηχανική Μάθηση”, Διδακτικές Σημειώσεις για το Μάθημα Μηχανική Μάθηση, Διαμαντάρας Κώστας, Γουλιάνας Κώστας, 2020, Σελίδες 75. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων του ΔΙ.ΠΑ.Ε. για το Μάθημα “Μηχανική Μάθηση” του Μεταπτυχιακού Προγράμματος Σπουδών “Ευφυείς Τεχνολογίες Διαδικτύου”.

ΔΒ21 :   “Δομημένος Προγραμματισμός με C”, Διδακτικές Σημειώσεις για το Μάθημα Δομημένος Προγραμματισμός, Γουλιάνας Κώστας, 2019, Σελίδες 177.
Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων του ΔΙ.ΠΑ.Ε. για το Θεωρητικό Μέρος του Μαθήματος “Δομημένος Προγραμματισμός”.

ΔΒ20 :   “Αναγνώριση Προτύπων – Νευρωνικά Δίκτυα”, Διδακτικές Σημειώσεις σε Διαφάνειες για το Μάθημα Αναγνώριση Προτύπων – Νευρωνικά Δίκτυα, Γουλιάνας Κώστας, 2016, Σελίδες 685. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Α.Τ.Ε.Ι. Θεσσαλονίκης για το Μάθημα“ Αναγνώριση Προτύπων – Νευρωνικά Δίκτυα ”.

ΔΒ19 :   “Μηχανική Μάθηση”, Διδακτικές Σημειώσεις σε Διαφάνειες για το Μάθημα Μηχανική Μάθηση, Διαμαντάρας Κώστας, Γουλιάνας Κώστας, 2015, Σελίδες 84.
Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Α.Τ.Ε.Ι. Θεσσαλονίκης για το Μάθημα “Μηχανική Μάθηση” του Μεταπτυχιακού Προγράμματος Σπουδών “Ευφυείς Τεχνολογίες Διαδικτύου”.

ΔΒ18 :   “Αλγοριθμική & Προγραμματισμός με Java”, Διδακτικές Σημειώσεις για το Μάθημα Αλγοριθμική και Προγραμματισμός, Γουλιάνας Κώστας, 2014, Σελίδες 210.
Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Α.Τ.Ε.Ι. Θεσσαλονίκης για το Θεωρητικό Μέρος του Μαθήματος “Αλγοριθμική & Προγραμματισμός”.

ΔΒ17 :   “Εργαστηριακές Ασκήσεις Μηχανικής Μάθησης”, Διαμαντάρας Κώστας, Γουλιάνας Κώστας, 2011, Σελίδες 28. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Α.Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος “ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ”.

ΔΒ16 :   “Σύντομο Εγχειρίδιο MATLAB”, Διαμαντάρας Κώστας, Γουλιάνας Κώστας, 2015, Σελίδες 89. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος “ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ”.

ΔΒ15 :   “Εργαστηριακές Ασκήσεις Νευρωνικών Δικτύων και Σύντομο Εγχειρίδιο MATLAB”, Διαμαντάρας Κώστας, Γουλιάνας Κώστας, 2008, Σελίδες 113. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος “ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ”.

ΔΒ14 :   “Αριθμητική Ανάλυση και Προγραμματισμός Επιστημονικών Εφαρμογών, Θεωρία, Παραδείγματα , Λυμένες και Άλυτες Ασκήσεις”, Γουλιάνας Κώστας, 2009, Σελίδες 216. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Θεωρητικό Μέρος του Μαθήματος “AΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΠΙΣΤΗΜΟΝΙΚΩΝ ΕΦΑΡΜΟΓΩΝ”.

ΔΒ13 :   “Εργαστηριακές Ασκήσεις Αριθμητικής Ανάλυσης στη Γλώσσα Προγραμματισμού C”, Γουλιάνας Κώστας, 2007, Σελίδες 83. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος AΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΠΙΣΤΗΜΟΝΙΚΕΣ ΕΦΑΡΜΟΓΕΣ.

ΔΒ12 :   “Εργαστηριακές Ασκήσεις Αριθμητικής Ανάλυσης σε FORTRAN”, Γουλιάνας Κώστας, 2004, Σελίδες 105. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος AΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΠΙΣΤΗΜΟΝΙΚΕΣ ΕΦΑΡΜΟΓΕΣ.

ΔΒ11 :   “Εισαγωγή στα Νευρωνικά Δίκτυα ”, Αδαμόπουλος Μιλτιάδης, Γουλιάνας Κώστας, 1997, Σελίδες 191. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος Νευρωνικά Δίκτυα.

ΔΒ10 : “Yπολογιστικά Μαθηματικά”, Αδαμόπουλος Μιλτιάδης, Γουλιάνας Κώστας, 1995, Σελίδες 311.
Πανεπιστημιακές Παραδόσεις στο Τμήμα Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας για το Μάθημα Yπολογιστικά Μαθηματικά.

ΔΒ9 :    “Εισαγωγή στο VMS”, Γουλιάνας Κώστας, 1994, Σελίδες 194. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος Λειτουργικά Συστήματα Ι.

ΔΒ8 : “Εφαρμογές της Αριθμητικής Ανάλυσης με τη χρήση της FORTRAN”, Γουλιάνας Κώστας, Αδαμόπουλος Μιλτιάδης, 1994, Σελίδες 145.
Πανεπιστημιακές Παραδόσεις στο Τμήμα Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας για το Εργαστηριακό Μέρος των Μαθημάτων Αριθμητική Ανάλυση και Ειδικά Θέματα FORTRAN.

ΔΒ7α   : “Συνοπτικός Οδηγός Εντολών του MS_DOS 6.0”, Μαργαρίτης Κώστας, Γουλιάνας   Κώστας, 1994, Σελίδες 47.
ΔΒ7β : “Εισαγωγή στο Novell Netware”, Μαργαρίτης Κώστας, Γουλιάνας Κώστας, 1994, Σελίδες 53.
ΔΒ7γ : “Συνοπτικός Οδηγός των Windows 3.1”, Μαργαρίτης Κώστας, Γουλιάνας Κώστας, 1994, Σελίδες 8.
Πανεπιστημιακές Παραδόσεις στο Τμήμα Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας για το Εργαστηριακό Μέρος του Μαθήματος Eισαγωγή στην Πληροφορική.

ΔΒ6 : “Περιβάλλοντα Εργασίας VMS και UNIX”, Γουλιάνας Κώστας, 1995, Σελ. 268. Πανεπιστημιακές Παραδόσεις στο Τμήμα Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας για το Εργαστηριακό Μέρος του Μαθήματος Οργάνωση Συστημάτων Υπολογιστών.

ΔΒ5 : “Εργαστηριακές Ασκήσεις FORTRAN I”, Γουλιάνας Κώστας, Αδαμόπουλος Μιλτιάδης, 1994, Σελίδες 102. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος FORTRANI.

ΔΒ4 :     “Εργαστηριακές Ασκήσεις FORTRAN II”, Γουλιάνας Κώστας, Αδαμόπουλος Μιλτιάδης, 1994, Σελίδες 48. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος FORTRANII.
ΔΒ3 :     “Εργαστηριακές Ασκήσεις PASCAL”, Αδαμόπουλος Μιλτιάδης, Γουλιάνας Κώστας, 1994, Σελίδες 143. Παραδόσεις στο Τμήμα Μηχανικών Πληροφορικής του Τ.Ε.Ι. Θεσσαλονίκης για το Εργαστηριακό Μέρος του Μαθήματος PASCAL.

ΔΒ2 :     “Εισαγωγή στο UNIX”, Γουλιάνας Κώστας, 1991, Σελίδες 74. Παραδόσεις στο Σεμινάριο Πληροφορικής του Δήμου Πυλαίας

ΔΒ1 :     “Προγραμματισμός ΙΙ με BASIC”, Γουλιάνας Κώστας, 1990, Σελίδες 48. Παραδόσεις στο Γενικό Τμήμα Θετικών Επιστημών του Τ.Ε.Ι. Θεσσαλονίκης για το Θεωρητικό και Εργαστηριακό Μέρος του Μαθήματος Προγραμματισμός ΙΙ με BASIC.

ΕΤΕΡΟ-ΑΝΑΦΟΡΕΣ ΣΕ ΔΗΜΟΣΙΕΥΣΕΙΣ

J10 (8):
1: Liviu Mafteiu-Scai, Emanuela Mafteiu, Roxana Mafteiu-Scai, “Solving Equations Systems Using Artificial Intelligence – a Survey”, International Journal of New Computer Architectures and their Applications (IJNCAA), 8(3), 102-118, (2018).
2: Anna Malinova, Angel Golev, Anton Iliev and Nikolay Kyurkchiev, “A Family of Recurrence Generating Activation Functions Based on Gudermann Function”, International Journal of Engineering Researches and Management Studies, 4(8), (2017), pp 38-48.

3:   Anna Malinova, Anton Iliev and Nikolay Kyurkchiev, “Some Notes on the Fast Adaptive Neural Network Solvers”, Global Journal of Engineering Science and Research Management 4(10) (2017), pp. 121-131.

4: Nikolay Kyurkchiev, Anton Iliev, “Extension of Gompertz-type Equation in Modern Science: 240 Anniversary of the birth of B. Gompertz”, Book, 2018.

5: Changchang Che , Huawei Wang , Qiang Fu , Xiaomei Ni , “Combining multiple deep learning algorithms for prognostic and health management of aircraft“, Aerospace Science and Technology, Volume 94, 2019.

6: Awaad, Tasneem A., et al. "An ultrafast neural network-based hardware acceleration for nonlinear systems’ simulators." Computers & Electrical Engineering 79 (2019): 106452.

7: Tao, Fanghong, and Lili Jiao. "Coastal and Port Real Estate Forecasting Model Based on Fast-adaptive Algorithm for Large Data Sets." Journal of Coastal Research 97.SI (2019): 35-41.

8: Yancang Li, Zong-jin Yang, Cheng-hua Dang, “TRUSS STRUCTURE OPTIMIZATION BASED ON IMPROVED WOLF PACK ALGORITHM”, (2019), ΤHE CIVIL ENGINEERING JOURNAL 4-2019, Article no. 40.

J9 (5) :

1:   Anna Malinova, Anton Iliev and Nikolay Kyurkchiev, “Some Notes on the Fast Adaptive Neural Network Solvers”, Global Journal of Engineering Science and Research Management 4(10) (2017), pp. 121-131.

2 : Nikolay Kyurkchiev, Anton Iliev, “Extension of Gompertz-type Equation in Modern Science: 240 Anniversary of the birth of B. Gompertz”, Book, 2018.

3 :   A. Gheorghita, M. Turnea, M. Ilea, M. Rotariu, G. Constantin, and D. Arotaritei , “A New Proposal for Solving Equations of Angular Contact Ball Bearing Using Evolutionary Techniques”, 6th International Conference on Advancements of Medicine and Health Care through Technology; 17–20 October 2018, Cluj-Napoca, Romania, IFMBE Proceedings 71, https://doi.org/10.1007/978-981-13-6207-1_37.

4:   Vitaly Gyryaa, Mikhail Shashkovb, Alexei Skurikhinc, Svetlana Tokareva, “Machine learning approaches for the solution of the Riemann problem in fluiddynamics: a case study”, Journal of Computational Physics, 2019.

5 : Awaad, Tasneem A., et al. "An ultrafast neural network-based hardware acceleration for nonlinear systems’ simulators." Computers & Electrical Engineering 79 (2019): 106452.

J8 (2):

1: Yu-Dong Zhang & Junding Sun, “Preliminary study on angiosperm genus classification by weight decay and combination of most abundant color index with fractional Fourier entropy”, Multimedia Tools and Applications, (2017), DOI: 10.1007/s11042-017-5146-3.

2: Jinjin Guo, Binbin Qiu, Jianrong Chen, and Yunong Zhang, “Solving Future Different-Layer Nonlinear and Linear Equations System Using New Eight-Node DZNN Model”, IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, IEEE Transactions on Industrial Informatics ( Volume: 16 , Issue: 4 , April 2020 ).

J6 (4) :

1: Liviu Mafteiu-Scai, Emanuela Mafteiu, Roxana Mafteiu-Scai, “Solving Equations Systems Using Artificial Intelligence – a Survey”, International Journal of New Computer Architectures and their Applications (IJNCAA), 8(3), 102-118, (2018).

2:   Pakize Erdogmus, “Finding the Roots of Non-Linear Equations with Particle Swarm Optimization and Comparison to Genetic Algorithm”, JIleri Teknoloji bilimleri Dergisi 5(1) Journal of Advanced Technology Sciences, (2016), pp. 1-14.

3:   Y. Du, W. Feng, Y. Wang, G. Zhang, “Positive Solutions for a Nonlinear Algebraic System with nonnegative coefficient matrix”, Applied Mathematics Letters, (2016).

4:   Y. Du, G. Zhang, W. Feng, “Existence of Positive Solutions for a Class of Nonlinear Algebraic Systems”, Mathematical Problems in Engineering, Vol. 2016, pp. 1-7.

J5 (10):

1:   M. Dehghan, and M. Hajarian, “Fourth-order variants of Newton's method without second derivatives for solving non-linear equations”, Engineering Computations, Vol. 29, Νο. 4, pp.356– 365, (2011).
2: H. Montazeri, F. Soleymani, S. Shateyi, and S. S. Motsa, “On a New Method for Computing the Numerical Solution of Systems of Nonlinear Equations”, Journal of Applied Mathematics, vol. 2012, Article ID 751975, 15 pages, (2012). doi:10.1155/2012/751975.

3: Oveis Abedinia, Nima Amjady, “Short-term wind power prediction based on Hybrid Neural Network and chaotic shark smell optimization”, International Journal of Precision Engineering and Manufacturing-Green Technology, (2015), 2(3):245-254.

4 : Zeynep BATIK GARIP, 2Erdal BÜYÜKBIÇAKCI, “Klasik Enterpolasyon Yöntemleri ve Yapay Sinir Ağı Yaklaşımları ile Matematiksel Denklemlerin Karşılaştırılmalı Çözümü İçin Arayüz Tasar”, 4th International Symposium on Innovative Technologies in Engineering and Science 3-5 November 2016.

5:    Lin Xiao, “A nonlinearly activated neural dynamics and its finite-time solution to time-varying nonlinear equation”, Neurocomputing 173 (2016) 1983–1988.
6: S.K. Jeswal, S. Chakraverty, “Solving transcendental equation using artificial neural network”, Applied Soft Computing Journal 73 (2018) 562–571.

7:   H. Abbasnejad; A. Jafarian, “A new method based on artificial neural networks for solving general nonlinear systems”, International Journal of Computing Science and Mathematics, (2018), Vol.9 No.3, pp.207 –
8 : Zhijun Zhang, Xiaolu Yang, Xianzhi Deng, Lingao Li, “A varying-gain recurrent neural-network with super exponential convergence rate for solving nonlinear time-varying systems”, Neurocomputing 351 (2019) 10–18.
9:  Lin Xiao, Zhijun Zhang, and Shuai Li, “Solving Time-Varying System of Nonlinear Equations by Finite-Time Recurrent Neural Networks With Application to Motion Tracking of Robot Manipulators”, IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS, 2019.

10: Mehrdad Kaveh, Mohammad Saadi Mesgari, Ali Khosravi, “Solving the local positioning problem using a four-layer artificial neural network”, Journal of Geospatial Information Technology, Vol.7 No.4, 2020.

J2 (1):
1: Q. Song, K. P. Kho, K.H. See, “Implementation of Two-dimensional Systolic Algorithms for Multi-layered Neural Networks”, Journal of Systems Architecture 45, (1999), pp. 1209-1218.

J1 (1):
1: Mehrdad Kaveh, Mohammad Saadi Mesgari, Ali Khosravi, “Solving the local positioning problem using a four-layer artificial neural network”, Journal of Geospatial Information Technology, Vol.7 No.4, 2020.

GJ2 (3):
1:   Margaris A, Adamopoulos M., “Solving Nonlinear Algebraic Systems Using Artificial Neural Networks”, Proceedings of the 10th International Conference on
Engineering Applications of Neural Networks, Thessaloniki, Hellas, August 29-31, (2007), pp. 107-120.
2: Liviu Mafteiu-Scai, Emanuela Mafteiu, Roxana Mafteiu-Scai, Solving Equations Systems Using Artificial Intelligence – a Survey, International Journal of New Computer Architectures and their Applications (IJNCAA), 8(3), 102-118, (2018).
3:   Lin Xiao, Zhijun Zhang, and Shuai Li, “Solving Time-Varying System of Nonlinear Equations by Finite-Time Recurrent Neural Networks With Application to Motion Tracking of Robot Manipulators”, IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS, 2019.