Применение статистических методов для исследований полтергейстной среды

Введение

В настоящее время достаточно часто начинающие группы энтузиастов аномальных явлений сталкиваются с феноменом полтергейста (ПГ). Пытаясь описать его проявления, они уделяют внимание тем или иным аспектам события (описывают происходящие эпизоды, берут показания у жильцов, пытаются избавиться от явления с помощью оккультных практик и т. д.), зачастую упуская из виду важные детали и закономерности проявления отдельно протекающей вспышки. Между тем, существуют достаточно хорошо описанные методы фиксации и выявления взаимосвязи в полтергейстной среде - в первую очередь это различные статистические методы анализа.

У. Ролл (1977), В. Н. Сальников (1990), Н. С. Новгородов, Ф. Б. Бакшт, В. Г. Прохоров (1995), И. В. Мирзалис, В. Н. Фоменко (1995), Ю. Якличин (1996), Ю. Н. Чередниченко (1997), H. Kokubо, & М. Yamamoto (2003) и другие исследователи приводят в публикациях обширный графический материал и данные статобработки результатов. Исследователи ведут поиски сходных черт как между отдельными ПГ-эпизодами, так и группой аналогичных случаев. Так, например, Хьюсман и Шревер (Huesmann & Schriever, 1989) исследовали 54 случая ПГ, У. Ролл - 116 случаев, Э. Боццано в 1929 г. выделил и проанализировал 158 случаев ПГ, Л. Райн (Louisa Rhine) в 1963 году проанализировала 178 "очевидных" случаев психокинеза, Х. Кэррингтон исследовал 375 случаев полтергейста, А. Гоулд, А. Корнелл провели компьютерный анализ 500 вспышек полтергейста по 63 характеристикам.

Л. Герхарт, М. А. Пресинджер в статье "Геофизические переменные и паранормальные явления: современные и исторические случаи полтергейста, сопровождавшиеся резким увеличением геомагнитной активности" [1] использовали для подсчета дисперсионный анализ Фридмана. Они пишут: "Дисперсионный анализ Фридмана также показал значительные результаты: x²= 58.78, df= 14, p < 0,0001). Для извлечения квадратного корня из величин использовался t-критерий для повторяющихся данных при p<.0001, что снизило погрешность. Анализ показал, что различались только показатели геомагнитной активности в день возникновения полтергейста и на следующий день".

Напряженность магнитного поля и прочие показатели будут постоянно варьировать, для их обсчета используется коэффициент вариации (V, %), который является относительным показателем изменчивости. О широком варьировании данных приборов упоминают Б. М. Марченко, Б. А. Сидоров [2] и А. Николс [3], варьирует также возраст фокальных лиц полтергейста [4].

О том, что коэффициент корреляции (r) использовался при анализе, говорят некоторые публикации. Н. Новгородов и Ф. Бакшт выявили, что с ПГ вспышками коррелирует изменение интенсивности суммарного действия неблагоприятных космо-геофизических факторов, несмотря на исчезающе малую величину коэффициента корреляции - минус 0,19 [5]. Отмечается корреляция ПГ-эпизодов с фазами Луны, солнечной активностью, магнитными бурями и др. [1, 6]. М. С. Maher (2000) приводит данные о взаимосвязи в величинах магнитного поля при сопоставлении его с тестом Мана-Уитни при максимальных (r = 0,228), средних (r = 0,765) и значениях в общем (r = 0,490) [7]. Е. Агеенкова упоминает в отчетах, что корреляции между отклонениями компаса, которые были получены в различных точках квартиры и на различной высоте от пола, установить не удалось [8]. Похожие данные получены В. Гайдучиком, И. Бутовым при исследовании ПГ в Минске [9]. Данные о корреляционной взаимосвязи характерных черт так называемых "домовых" и случаев ПГ приводятся у James Houran & Rense Lange [10].

Для всех показателей, будь то коэффициент корреляции, вариации, дисперсия и другие, исследователь должен вычислить стандартную ошибку. Так, Л. Герхарт, М. А. Пресинджер пишут, что "стандартные ошибки средней варьировали от 2,0 до 5,0, кроме одного дня, когда значения составляли 5,7 и 6,8" [1]. Методика расчета ошибок для всех показателей хорошо описана.

Целью настоящей публикации является ознакомление как с традиционными методами анализа (корреляционным анализом, факторным анализом), так и с новыми статистическими методами исследований ПГ - искусственными нейронными сетями.

1. Использование корреляционного анализа при изучении полтергейста

Под корреляционным анализом понимается [11] метод обработки статистических данных, заключающийся в изучении коэффициентов корреляции между переменными. При этом сравниваются коэффициенты корреляции между одной парой или множеством пар признаков для установления между ними статистических взаимосвязей. Важно также отметить, что корреляция отражает лишь линейную зависимость величин, но не отражает их функциональной связности.

Цель корреляционного анализа - обеспечить получение некоторой информации об одной переменной с помощью другой переменной. В случаях, когда возможно достижение цели, говорят, что переменные коррелируют. В самом общем виде принятие гипотезы о наличии корреляции означает, что изменение значения переменной А (например, количество ПГ-эпизодов) произойдет одновременно с пропорциональным изменением значения Б (к примеру, изменения фазы Луны).

Рассмотрим использоване корреляционного анализа на примере исследования вспышки полтергейста в г. Иркутске в 2009 г.

Пример 1. Корреляционный анализ самопроизвольных звонков в полтергейстной квартире по ул. Рябикова (Иркутск, 2009 г.).

Группой "Иркутск-Космопоиск" проводилось исследование ПГ в г. Иркутске, выраженного в периодических самопроизвольных звонках, посредством простейшего звукового устройства. На третий день после смерти сына в квартире по ул. Рябикова стали раздаваться звонки через сигнализатор, который использовал её сын, когда ещё болел, чтобы в случае критической ситуации вызвать маму из соседней комнаты. Устройство представляло собой систему "передатчик - приёмник", связанную посредством радиосвязи (рис. 1). В устройстве заложены 2 мелодии, которые переключаются специальным тумблером.

Рис. 1. Звуковое устройство в полтергейстной квартире на ул. Рябикова (Иркутск, 2009 г.).

 

Звонки продолжались примерно в течение 40 дней после смерти сына (рис. 2), при этом не наблюдалось физического нажатия кнопки.

Важно отметить, что периодически раздавалась то одна, то другая мелодия (рис. 3) (хотя переключатель всегда оставался в одном положении).

Рис. 2. График распределения самопроизвольных звонков в полтергейстной квартире (г. Иркутск) в период с 13.02.09 по 30.03.09.

 

Рис. 3. Гистограмма появления различных мелодий за сутки в течение исследуемого периода.

 

Кроме всего прочего, была поставлена задача - выяснить, как связано распределение мелодии №2 (мелодия, которая реже всего появлялась, и на неё не был включён тумблер) и общим количеством звонков.

Для этого был применен корреляционный анализ, который показал определенную, хотя и слабую, зависимость между появлением мелодии №2 за сутки и общим количеством звонков (коэффициент корреляции r=0,57, табл. 1). Зависимость между появлением звонков мелодии №1 и №2 в процессе расчетов практически отсутствует (r=0,29, табл. 1).

Таблица 1. Корреляционный анализ звонков в полтергесткой квартире (ул. Рябикова, г. Иркутск, 2009 г.)

Таким образом, как видно из таблицы 1, появление мелодии №2, на которую физически не было включено устройство, в некоторой степени связано с количеством появлений за сутки мелодии №1.

Очевидно, что использование корреляционного анализа крайне необходимо в случаях исследования различных переменных и характеристик, полученных при изучении ПГ. Как известно [2, 3, 4, 5, 6, 9, 21, 22], исследователям ПГ приходится сталкиваться с разного рода запутанными и противоречивыми данными, в этом случае обычная человеческая логика не всегда помогает и необходимо применение особого математического аппарата для прояснения ситуации.

2. Использование факторного анализа при изучении полтергейста

Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения (в нашем случае ПГ) всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых латентных переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными [12, 13].

Например, анализируя оценки, полученные по нескольким шкалам (скажем, изменения напряжённости электромагнитного поля и ИК-излучения в зоне действия ПГ), исследователь замечает, что они сходны между собой и имеют высокий коэффициент корреляции, он может предположить, что существует некоторая скрытая, латентная переменная, с помощью которой можно объяснить наблюдаемое сходство полученных оценок. Такую латентную переменную называют фактором. Данный фактор влияет на многочисленные показатели других переменных, что приводит нас к возможности и необходимости выделить его как наиболее общий, более высокого порядка.

Главной проблемой факторного анализа является выделение и интерпретация главных факторов [14]. При отборе компонент исследователь обычно сталкивается с определенными трудностями, так как не существует однозначного критерия выделения факторов, потому здесь неизбежен субъективизм интерпретаций результатов. Однако используется несколько часто употребляемых критериев определения числа факторов, к примеру, критерий "каменистой осыпи".

По мнению авторов статьи, применение факторного анализа при изучении ПГ крайне необходимо, так как появляется возможность с помощью данного математического аппарата понять наиболее важные особенности феномена или главные компоненты (факторы), которые могут быть не видны сразу или даже впоследствии, после проведения тщательного расследования.

Покажем применение факторного анализа на примере вспышки полтергейста в г. Братск (2003 г.) на ул. Погодаева, которую изучала группа "Братск-Космопоиск".

Пример 2. Факторный анализ вспышки полтергейста по ул. Погодаева (г. Братск, 2003 г.)

В состав исходной выборки были включены следующие переменные:
- день недели, когда произошёл такой эпизод;
- количество людей, присутствующих при эпизоде;
- место в квартире, где произошёл эпизод;
- качественная характеристика полтергейстного эпизода. При этом весь набор проявлений в этой квартире укрупнено был разделён на 4 категории: 1) шумы и стуки; 2) передвижение предметов; 3) визуальные проявления; 4) воздействие на человека или животное.

Все входные данные были определённым образом закодированы и нормированы.

Рис. 4. График собственных значений по критерию «каменистой осыпи» для факторного анализа ПГ на ул. Погодаева

 

Для определения количества главных компонент (факторов) был использован графический критерий "каменистой осыпи" (рис. 4), из которого видно, что целесообразнее рассматривать 2 фактора, потому что использование большего количества факторов приводит к резкому снижению информативности (рис. 4).

По результатам факторного анализа была построена таблица факторных нагрузок (табл. 2) и график главных компонент (рис. 5).

Таблица 2. Таблица факторных нагрузок для анализа ПГ (г. Братск, ул. Погодаева, 2003 г.)

Рис. 5. Результаты факторного анализа в полтергейстной квартире по ул. Погодаева (2003 г.).

 

На этом этапе ставится наиболее сложная задача факторного анализа - интерпретация главных факторов (в нашем случае фактора 1 и фактора 2). Как видно из табл. 2 и рис. 5, первый фактор отмечен высокими нагрузками на переменные "День недели" и "Количество очевидцев", а второй фактор имеет высокие нагрузки для переменных "Место ПГ-эпизода" и "Харатеристика ПГ-эпизода". Из этого можно заключить, что в данном конкретном случае ПГ имеются два определяющих фактора, которые оказывают наибольшее влияние на развитие феномена.

Фактор 1 - Количество людей в определённый день недели;

Фактор 2 - Место в квартире, определяющее сам характер проявления ПГ.

Таким образом, из общего количества переменных мы выделили два основных фактора, которые в данной конкретной вспышке ПГ вносят основной вклад в развитие изучаемого феномена.

3. Использование искусственных нейронных сетей при анализе вспышек полтергейста

Полтергейст - сложное комплексное и во многих случаях непредсказуемое явление. Если представить временной ряд активности полтергейста по какому-либо параметру, то, как правило, такой ряд будет представлять собой резкоизменчивый и нестационарный процесс (см. рис. 2). В этом случае для повышения эффективности анализа вспышек ПГ успешным представляется применение методов искусственного интеллекта, в первую очередь искусственных нейронных сетей (ИНС) [15].

Результаты широкомасштабных исследований, представленные в монографиях [16, 17], свидетельствуют о том, что наиболее эффективными из всех технологий искусственного интеллекта при решении задач анализа данных являются ИНС. ИНС можно определить как систему, состоящую из большого числа простых вычислительных элементов, имеющих нейронную основу и работающих параллельно, способную приобретать, запоминать и использовать приобретённые опытные знания. Успех применения ИНС объясняется, в первую очередь, тем обстоятельством, что нейросетевые архитектуры позволяют получать информационные модели с "хорошими" аппроксимирующими свойствами (что является крайне важным при анализе данных, полученных в зоне действия ПГ). Кроме того, применение различных архитектур и оригинальных способов обучения ИНС обеспечивает эффективное решение ряда математических и технических задач.

Важное свойство ИНС - способность к обучению и обобщению накопленных знаний. ИНС обладает чертами искусственного интеллекта. Поэтому обученная на ограниченной выборке данных сеть способна обобщать полученную информацию и обеспечить высокую точность расчётов значений параметров, не использующихся в процессе обучения.

3.1. Принцип прогнозирования событий и различных параметров при вспышках полтергейста

В основе нейросетевого прогнозирования лежит принцип обучения модели на предыстории. Для этого на начальном этапе формируется обучающая выборка, в первую очередь, по ретроспективным данным прогнозируемого параметра, а также на основе характеристик, коррелированных с прогнозируемым параметром. Объём такой выборки зависит, главным образом, от интервала прогнозирования.

Важно отметить, что по сравнению с традиционными методами прогнозирования нейросетевой подход позволяет использовать большее количество различных входных переменных. Это обстоятельство позволяет учесть влияние различных характеристик на прогнозируемый параметр, что в конечном итоге, значительно повышает точность такого прогноза [18].

Как показали многочисленные экспериментальные исследования, для задачи прогнозирования наиболее эффективны следующие типы ИНС [18-20]:

1. радиально-базисная функция (RBF);
2. многослойный персептрон (MLP);
3. обобщённо-регрессионая нейронная сеть (GRNN).

Как было отмечено выше, применение аппарата ИНС для прогнозирования тех или иных событий или параметров при ПГ представляется успешным ввиду оригинальных свойств нейросетевых моделей работать со сложными, неполными выборками и нестационарными временными рядами.

В процессе изучения ПГ исследователям приходятся фиксировать множество приборных характеристик: напряжённость электромагнитного поля, ИК-излучения, температуру и влажность и другие параметры., а также формировать статистическую выборку по случаям ПГ событий и эпизодов (время суток, месяц, место в квартире, наличие фокального лица при вспышках и т.п.) [21, 22]. При этом одним из важных для исследователей прогнозируемых характеристик на основе полученной информации является место и время появления очередного ПГ-эпизода.

Рассмотрим пример решения такой задачи.

Пример 3. Прогнозирование вероятности полтергейстных эпизодов в квартире по ул. Погодаева (г. Братск, 2003 г.)

Так, при исследовании ПГ на ул. Погодаева (г. Братск) в 2003 г. была обучена нейросетевая модель типа RBF для прогнозирования мест ПГ-эпизодов. Расчёты и формирование ИНС проводилось в программе STATISTICA 6.0 [23]. Архитектура модели была следующая: 5 входных нейронов, 3 нейрона в скрытом слое и 1 нейрон в выходном слое (рис. 6). Модель была обучена на 24 ПГ-эпизодах, зафиксированных исследовательской группой "Братск-Космопоиск" (табл. 3).

Рис. 6. Нейросетевая модель типа RBF для прогнозирования полтергейстных эпизодов в «беспокойной» квар-тире по ул. Погодаева (г. Братск, 2003 г.).

 

Таблица 3. Фрагмент таблицы обучения нейросетевой модели по данным активности полтергейста в квартире по ул. Погодаева (г. Братск) в 2003 г.

В качестве исходной выборки использовался многомерный вектор данных, когда в этой квартире происходил какой-либо ПГ-эпизод: число месяца, месяц, время суток, день недели, количество людей, присутствующих при таком эпизоде. На выходе модели было место ПГ-эпизода: кухня, детская, зал и несколько мест одновременно.

Полученная модель была протестирована на данных, которые не были использованы при обучении.

Первый случай - входные данные: вечер, октябрь, 3-е число, пятница, 2 человека в квартире. Прогноз модели: либо кухня, либо детская. ПГ-эпизод произошёл на самом деле на кухне.

Второй случай - ночь, октябрь, 4-е число, суббота, 3 человека в квартире. Прогноз модели: детская. ПГ-эпизод произошёл действительно в детской.

Как видно из результатов тестирования, такая модель может предсказывать (в определённой степени, конечно) вероятность появления ПГ-событий и эпизодов по заданным временным факторам и количеству людей. В зависимости от имеющейся у исследователей систематизированной информации по конкретному случаю набор входных данных может качественно усложняться, к примеру: наличие или отсутствие фокального лица, степень и характер проявления ПГ-эпизода (агрессия в отношении человека, перемещение предмета, стуки и т.п.), присутствие или отсутствие исследователей и т.д. Очевидно, что дополнительные входные данные могут повысить точность такого прогнозирования.

3.2. Анализ полтергейстной среды на базе самоорганизующихся карт Кохонена

В настоящее время для решения технических и естественно-научных задач используется ряд статистических методов: метод главных компонент, кластерный анализ, факторный анализ и т.д. Широкое применение при решении указанной задачи находят методы искусственного интеллекта, в частности ИНС.

Методы кластерного анализа нашли достаточно широкое применение в ряде важных научно-технических задач. Кластерный анализ включает в себя набор различных алгоритмов классификации [24]. Общий вопрос, возникающий в процессе решения научно-технических задач, состоит в том, как представить исходные данные в виде наглядных структур, т.е. провести разделение всего массива данных на несколько компактных групп-кластеров, имеющих похожие характеристики.

В случае невозможности получения исходных данных в достаточном объёме, их высокой зашумлённости, неполноте и противоречивости (как это обычно бывает при изучении вспышек ПГ) нейросетевые модели оказываются более предпочтительными при реализации кластерного анализа [25]. ИНС избирательно чувствительны в областях скопления данных и дают гладкую интерполяцию в местах их разрежения. Такая особенность нейросетевых моделей основывается на адаптивной кластеризации данных, использующих при этом самоорганизующиеся карты SOM или карты Кохонена [26, 27].

Карты SOM представляют собой ИНС, построенные, как правило, в виде двухмерной решётки нейронов для извлечения важных свойств, содержащихся во входном массиве данных. Задачей SOM является автоматизированное преобразование набора входных данных произвольной размерности в карту кластеров меньшей размерности. В этом случае соседним кластерам соответствуют ближайшие друг другу входные векторы. При подаче в сеть входного сигнала выявляется наиболее возбуждённый нейрон - "нейрон-победитель", определяющий класс, к которому принадлежит входной объект [3].

Карты Кохонена применяются в основном для двух целей. Первая из них - предварительный анализ информации, в рамках которого можно осуществлять наглядное упорядочение многопараметрической информации. Другой областью применения сети Кохонена является обнаружение в исследуемых массивах данных новых явлений (свойств). Сеть Кохонена способна выявить в анализируемых данных группу объектов с общими признаками - кластеры, а также установить их близость.

Эти же задачи могут быть поставлены перед исследователями ПГ, а именно:

1. Разбить на группы (кластеры) и наглядно представить разнородную информацию о вспышке полтергейста (время ПГ-эпизода, наличие фокального лица, характер такого эпизода и т.д.);

2. Выявить при таком кластерном анализе новые явления в полученной многомерной выборке данных по ПГ. Другими словами найти возможные закономерности и новые свойства в ПГ-событиях и эпизодах, которые не видны при простом обобщающем анализе.

Покажем работу карт Кохонена для анализа ПГ на представленном примере вспышки этого явления в 2003 году в г. Братске по ул. Погодаева.

Пример 4. Кластерный анализ SOM вспышки полтергейста в квартире по ул. Погодаева (г. Братск, 2003 г.)

Так, при анализе данных, полученных при полтергейсте, использовалась самоорганизующаяся сеть Кохонена с 4 входными нейронами и размерностью слоя Кохонена - 2х2 (рис. 7). Расчёты и формирование SOM проводилось в программе STATISTICA 6.0. Модель была обучена на 27 ПГ-эпизодах, зафиксированных исследовательской группой "Братск-Космопоиск" (табл. 4).

Рис. 7. Нейросетевая модель типа RBF для прогнозирования полтергейстных эпизодов в «беспокойной» квар-тире по ул. Погодаева (г. Братск, 2003 г.)

 

Таблица 4. Фрагмент таблицы обучения нейросетевой модели SOM по данным активности полтергейста в квартире по ул. Погодаева (г. Братск) в 2003 г.

В качестве входных данных были использованы:

1. число месяца, когда произошёл такой эпизод;
2. количество людей, присутствующих при эпизоде;
3. место в квартире, где произошёл эпизод;
4. качественная характеристика полтергейстного эпизода. При этом весь набор проявлений в этой квартире укрупнено был разделён на 4 категории: 1) шумы и стуки; 2) передвижение предметов; 3) визуальные проявления; 4) воздействие на человека или животное.

Все входные данные были определённым образом закодированы и нормированы.

Как видно из табл. 4, в неё включены также дни, когда никаких полтергейстных проявлений не было зафиксировано. Например, наблюдение №10 за 30-е число. Необходимо также отметить, что экспериментальные исследования, проведённые для данного случая, показали нецелесообразность включения в входной выборку параметра "месяц", так активные проявления наблюдались только в течении двух месяцев: сентябрь и октябрь.

По результатам обучения нейросетевой модели были получены карты Кохонена (рис. 8), на которых были идентифицированы следующие кластеры:

1. Кластер "Кухня (передвижение, воздействие)" - это группа, в которую входят ПГ-эпизоды, произошедшие на кухне и связанные с самопроизвольными перемещениями и воздействием на человека или животное;

2. Кластер "Детская (Шум)" - это группа, в которую входят ПГ-эпизоды, произошедшие в детской комнате и связанные, как правило, с самопроизвольными шумами и стуками;

3. Кластер "Зал (Видения)" - это группа, в которую входят ПГ-эпизоды, произошедшие в зале и связанные, как правило, с визуальными проявлениями ПГ;

4. Кластер "Кухня (передвижение, шум)" - это группа, в которую входят ПГ-эпизоды, произошедшие на кухне и связанные с самопроизвольными перемещениями и самопроизвольными шумами и стуками.

Рис. 8. Карта Кохонена для наблюдения №4 от 26 сентября 2003 г., когда в присутствии двух очевидцев на кухне был слышан грохот

 

Также на карте Кохонена нанесены (цифры рядом с кластерами) так называемые частоты выигрышей каждого нейрона (кластера), что означает, сколько раз определенная типовая ситуация по ПГ-эпизоду происходила. Скажем типовая ситуация "Кухня (передвижение, шум)" происходила 10 раз.

Важно отметить, что чем ближе каждый конкретный ПГ-эпизод по своему набору параметров к определенному кластеру, тем больше окрашен квадратик в чёрный цвет на карте (рис. 9).

Рис. 9. Карта Кохонена для наблюдения №13 от 2 октября 2003 г., когда в присутствии двух очевидцев в зале наблюдался пролёт серого тумана.

 

Рис. 10. Карта Кохонена для наблюдения №3 от 30 сентября 2003 г., когда в исследуемой квартире не было отмечено полтергейстных проявлений.

 

При отсутствии в определённый день каких-либо полтергейстных проявлений (рис. 10) кластеры на карте слабо реагируют на данный входной вектор (окраска квадратиков во всех случаях минимальна).

Таким образом, в процессе исследования получена нейросетевая модель, выделившая в конкретной вспышке ПГ набор наиболее типовых ситуаций с частотой их появления от общего числа ПГ-эпизодов. Полученная модель позволяет осуществлять наглядный мониторинг ситуации в процессе исследования ПГ и выделить определенные свойства явления. Скажем, типовая ситуация "Зал (Видения)" на рис. 9 некоторым образом связана с другой типовой ситуацией "Кухня (передвижения, воздействия"), так как на карте Кохонена несмотря на выигрыш первой ситуации, получен отклик и другой ситуации (квадрат также окрашен).

Заключение

1. На сегодняшний день в проблеме исследования феномена ПГ существуют достаточно хорошо описанные методы фиксации и выявления взаимосвязей в полтергейстной среде. К сожалению, довольно часто при изучении ПГ, особенно в российских исследованиях, методы и подходы математической статистики используются достаточно слабо, тем самым упуская из виду важные детали и закономерности проявления отдельно протекающей вспышки.

2. Использование корреляционного анализа крайне необходимо при исследовании различных переменных и характеристик, полученных при изучении ПГ, особенно в случаях, когда обычная человеческая логика не всегда помогает и необходимо применение специального математического аппарата для прояснения ситуации.

3. Для повышения эффективности анализа вспышек ПГ рекомендуется применять аппарат искусственных нейронных сетей (в первую очередь модели MLP, RBF, GRNN и SOM). Нейросетевые модели целесообразно применять для анализа и прогнозирования активности полтергейстных событий в случаях, когда нет возможности получения данных в достаточном объёме и когда невозможно составления математической модели активности феномена.

4. Для выявления наиболее значимых особенностей феномена ПГ и определение ключевых факторов, влияющих на активность ПГ, необходимо применение факторного анализа. Отмечается, что для исследованной вспышки ПГ на развитие феномена оказывает влияние как количество людей в определенный день недели, так и место в квартире, где происходит ПГ-эпизод.

Литература

1. Gearhart, L. & Persinger, M. A. (1986). Geophysical Variables and Behavior: XXXIII. Onsets of historical and contemporary poltergeist episodes occurred with sudden increases in geomagnetic activity. Perceptual and Motor Skills, 62, 463-466.

2. Марченко Б. М., Сидоров Б. А. Необыкновенное рядом. Полтергейст. М.-СПб.: Диля, 2003. - С. 27.

3. Nichols, Andrew (2000). A water poltergeist in Florida. International Journal of Parapsychology, 11 (2), (pp. 143-159).

4. Roll W.G. Poltergeists. In: Handbook of parapsychology. - New Jork: Van Nostrand Reinhold Company, 1977, p.382-413.

5. Новгородов Н. С., Бакшт Ф. Б., Прохоров В. Г. О научном прогнозировании полтергейстов. Парапсихология и психофизика. - 1995. - №1. - С. 47-53.

6. Новгородов, Н.С. Исследование полтергейстов в Сибири / Н.С. Новгородов - Томский политехнический университет. - Томск, 1993. - 340 с.

7. Maher, M., C. (2000). Quantitative Investigation of the General Wayne Inn. Proceedings of Presented Papers: The Parapsychological Association 43rd Annual Convention, (pp. 148-165).

8. Из отчета Е. К. Агеенковой.

9. Бутов И., Гайдучик В. Полтергейст на Авангардной: итоги наблюдений. http://ufo-com.net/articles/detail.php?ID=1288.

10. James Houran, Rense Lange. A Rasch Hierarchy Of Haunt And Poltergeist Experiences. Journal of Parapsychology, March, 2001.

11. Доспехов, Б.А. Методика полевого опыта. - М. : Агропромиздат, 1985. - 351 с.

12. Diamantaras K. Principal component neural networks, theory and applications / K. Diamantaras S., Kung. - N. Y.: Wiley, 1996.

13. Hotelling H. Analysis complex statistical variables into principal components. - Journal of Education Psychology, 1933, V.24. Pp. 417-441.

14. Мостеллер Ф., Тьюжи Дж. Анализ данных и регрессия / под ред. Ю.П. Адлера. - М.: Финансы и статистика, 1982 - Вып.1. - 319 с: Вып. 2 - 239 с.

15. Хайкин С. Нейронные сети. Полный курс. 2-е изд. ; пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104 с.

16. Оссовский С. Нейронные сети для обработки информации - пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.

17. Горбань А.Н. и др. Нейроинформатика - Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.

18. Tomin N.V. Application of Neural Network Technologies for Price Forecasting in the Competitive Electricity Market / Proceedings of the International Young Conference of Energetic "IYCE'2009", Budapest, 2009.

19. Kurbatsky V.G., Tomin N.V. Application of Neural Network Technologies for Price Forecasting in the Liberalized Electricity Market // Scientific Journal of Riga Technical University "Power and Electrical Engineering", Riga, Latvia, No. 5, 2009, pp. 91-96.

20. Kurbatsky V.G., Tomin N.V. Use of the "ANAPRO" software to analyze and forecast operating parameters and technological characteristics on the basis of macro applications / Proceedings of the International Conference "PowerTech'2009", Bucharest, 2009.

21. Якличкин Ю.И. Аскизский полтергейст: пособие для специалистов, изучающих физику аномальных явлений. - М.: Профиздат, 1996. - 185 с.

22.Бутов И. Методология исследования полтергейстной среды. http://www.ufo-com.net/articles/detail.php?ID=1403.

23. Боровиков В.П., Ивченко Г. И. Прогнозирование в системе STATISTICA в среде Windows: Основы теории и интенсивная практика на компьютере: учеб. пособие. - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2006. - 368 с.

24. Манлель И.Д. Кластерный анализ. - М.: Финансы и статистика, 1988.

25. Voropai N., Kurbatsky, Panasetsky D., Tomin N. Prevention and elimination of power system emergency states by means of new prediction and control methods. 8^th World Energy System Conference "WESC'2010". Scientific Bulletin Electrical Engineering Faculty (SBEEF 2010), 2010, No. 2(13), Romania, Targoviste. Pp. 110-115.

26. Kohonen T. Self-organizing maps. - Berlin ets: Spzinger, 1995. XV. 362 p.

27. V. Kurbatsky, N. Tomin. Adaptive cluster analysis in electric network of power systems / Proc. International Conference on Environment and Electrical Engineering (EEEIC'2010), Prague, Czech Republic, 2010. Pp. 317-319.

Опубликовано в вестнике Ассоциации "Экология непознанного": Аномалия. Москва, 2010. №3.