Книга "Neural-Based Orthogonal Data Fitting. The EXIN Neural Networks" представляет новую теорию ортогональной регрессии. В литературе о нейронных алгоритмах обычно рассматривается анализ главных компонент (PCA) и минорных компонент (MCA) считается всего лишь следствием. Однако книга "Neural-Based Orthogonal Data Fitting" начинает с проблемы MCA и приходит к важным выводам о проблеме PCA. В книге предлагается несколько нейронных сетей, обладающих полной теорией, которая не только объясняет их поведение, но и сравнивает их с существующими нейронными и традиционными алгоритмами. Введены EXIN-нейроны, созданные авторами, которые объясняются и анализируются. Кроме того, алгоритмы рассматриваются как проблема дифференциальной геометрии, динамическая проблема, стохастическая проблема и численная проблема. Демонстрируются новые аспекты основной теории, включая ее применение в компьютерном зрении и идентификации линейных систем. Книга показывает как происходит вывод TLS EXIN из MCA EXIN и оригинальный вывод, а также: описывает проблемы TLS и дает краткий обзор их истории и применений; представляет MCA EXIN и сравнивает его с другими существующими подходами; вводит TLS EXIN-нейрон и техники ускорения SCG и BFGS и сравнивает их с TLS GAO; обзорно описывает теорию GeTLS EXIN для обобщения и унификации проблем регрессии; устанавливает теорию GeMCA, начиная с идентификации GeTLS EXIN как обобщенной проблемы собственных значений. Книга в основном теоретическая в своем математическом и численном аспектах EXIN-нейронов, однако все алгоритмы были использованы для анализа проблем в реальном времени и показали точные решения. "Neural-Based Orthogonal Data Fitting" полезна для статистиков, экспертов по прикладной математике и инженеров.
Представление новой теории в ортогональной регрессии. Литература о нейронно-основанных алгоритмах часто посвящена главным компонентным анализам (PCA), при этом второстепенные компонентные анализы (MCA) рассматривают как следствия. Нарушая шаблон, книга "Neural-Based Orthogonal Data" подходит к проблеме MCA и делает важные выводы относительно проблемы PCA. В книге предложено несколько нейронных сетей, каждой из которых разработана полная теория, объясняющая их поведение и сравнивающая их с существующими нейронными и традиционными алгоритмами. Предлагаются EXIN-нейроны, которые являются изобретением автора, объясняются и анализируются. Они также изучаются как геометрическая проблема, динамическая проблема, случайная проблема и численная проблема. Книга показывает новые аспекты своей основной теории, включая их приложения в распознавании образов и идентификации линейных систем. В книге показаны как вывод TLS-EXIN из модели MCA-EXIN, так и исходный вывод, и следующие разделы:: 1. проблемы TLS и обзор их истории и приложений; 2. представление модели MCA; 3. введение neurons TLS EXIN, техники ускорения SCG и BFGS и их сравнивание с TLS GAO; 4. схема теории GeTLS EXIN для обобщения и унификации задач регрессии; 5. создание теории GeMCA, начиная с идентификации модели GeTLS EXIN как проблемы обобщенных собственных значений. Работа над математическими и численными аспектами EXIN-нейронов, в основном, теоретическая. Все алгоритмы, однако, были применены к анализу проблем реального времени и давали точные решения. "Neural-based orthogonal data fitting" будет полезен для статистиков, специалистов по прикладной математике и инженеров.
Электронная Книга «Neural-Based Orthogonal Data Fitting. The EXIN Neural Networks» написана автором Cirrincione Giansalvo в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9780470638279
Описание книги от Cirrincione Giansalvo
The presentation of a novel theory in orthogonal regression The literature about neural-based algorithms is often dedicated to principal component analysis (PCA) and considers minor component analysis (MCA) a mere consequence. Breaking the mold, Neural-Based Orthogonal Data Fitting is the first book to start with the MCA problem and arrive at important conclusions about the PCA problem. The book proposes several neural networks, all endowed with a complete theory that not only explains their behavior, but also compares them with the existing neural and traditional algorithms. EXIN neurons, which are of the authors' invention, are introduced, explained, and analyzed. Further, it studies the algorithms as a differential geometry problem, a dynamic problem, a stochastic problem, and a numerical problem. It demonstrates the novel aspects of its main theory, including its applications in computer vision and linear system identification. The book shows both the derivation of the TLS EXIN from the MCA EXIN and the original derivation, as well as: Shows TLS problems and gives a sketch of their history and applications Presents MCA EXIN and compares it with the other existing approaches Introduces the TLS EXIN neuron and the SCG and BFGS acceleration techniques and compares them with TLS GAO Outlines the GeTLS EXIN theory for generalizing and unifying the regression problems Establishes the GeMCA theory, starting with the identification of GeTLS EXIN as a generalization eigenvalue problem In dealing with mathematical and numerical aspects of EXIN neurons, the book is mainly theoretical. All the algorithms, however, have been used in analyzing real-time problems and show accurate solutions. Neural-Based Orthogonal Data Fitting is useful for statisticians, applied mathematics experts, and engineers.
