враховано 12 бобрових поселень, всього 30-44 особин, в 2009 р. відповідно: - 15 і 45-65, у вкрай посушливому 2010 р. - 13 і 34-53 (літні та весняні обстеження, осінні обліки 2009 проведені спільно зі с. н. с. заповідника «Рдейскій» Н.А. Зав'яловим).
Використання ГІС дозволило простежити динаміку і розміри бобрових поселень, оцінити їх щільність, показати збільшення площі черноольшанніков в результаті впливу бобрів на екосистеми (Зав'ялов та ін, 2010). Навесні 2010 р. в басейні р.. Таденка збереглися всі поселення, відмічені восени 2009 р., до осені 3 з них перестали існувати, ще 3 змістилися на 250, 700 і 850 м і 7 ??залишилися на своїх місцях. Восени 2010 р. на всіх водотоках заповідника існувало 218 гребель (83% від усіх відзначених за 2007-2010 рр..), З них тільки на 35 (16%) відзначені свіжі сліди життєдіяльності бобрів. Кількість гребель зі свіжими слідами життєдіяльності бобрів на 1 км водотоку варьировало восени 2008 р. від 1 до 4,8 на річках заповідника і від 11 до 14,0 на струмках, а 2009 відповідно від 0,9 до 3,3 і від 5,8 до 7,2.
В даний час в ІС РАН спільно з інститутом ISEN (Брест, Франція) і компанією SINAY (Франція) розробляється автономний гідроакустичний буй для одночасного моніторингу рівня шуму і виявлення морських ссавців по їх акустичним сигналам. Розроблюване обладнання передбачається використовувати в районах будівництва на морському шельфі. При виборі центрального процесора було вирішено пожертвувати продуктивністю на користь низького енергоспоживання, що дозволяє домогтися тривалого часу автономної роботи. У зв'язку з цим програмне забезпечення станції повинно бути як можна менш вимогливим до обчислювальних ресурсів. Наприклад, робота в реальному часі прямолінійних методів, що спираються на кореляційні техніки, при поточних характеристиках обладнання неможлива. Як альтернатива був запропонований підхід з використанням нейронних мереж. Були випробувані двошарові нейронні мережі топологій RBF і SVM. В якості компонент вхідного вектора використовувалися певні набори коефіцієнтів перетворення Фур'є і вейвлет-перетворення за допомогою сімейства функцій symmlet. Рішення про те, які саме коефіцієнти використовувати, приймалося на основі дискримінантного аналізу. Навчальний і оцінний набори даних складалися з 90 сигналів афалін і 70 сигналів косаток.
Навчання двошарової мережі RBF проходить у два етапи. На першому відбувається кластеризація даних довільним способом. Застосовувалися засновані на методі k-середніх алгоритми кластеризації, що розрізняються початковою кількістю кластерів, вибором початкових центрів кластерів і правилом прийняття або відхилення виявленого кластера. Як функції цi (x) відстані від вхідного вектора до центрів кластерів, значення якої є вхідними даними для другого етапу роботи мережі, використовувалося ядро ??Гаусса.
Другий етап навчання мережі RBF полягає в пошуку такої матриці A, яка міні-Мізір суму (за всіма xi з навчального набору) квадратів евклидова відстані між результатом роботи мережі y (xi)=A (Ц1 (x ), ..., цn (x)) і значенням вектора ti, в якому всі компоненти нульові за винятком одиниці на місці з номером, що відповідає класу вектора xi.
Двошарова мережа SVM топологічно схожа з двошаровою мережею RBF. Принципова відмінність між ними полягає в тому, що мережа SVM акцентує увагу не на центрах кластерів, а на їх межах, розділяючи кластери...
