Predictive Modular Neural Networks: Applications to Time Series

موضوع این کتاب شبکه های عصبی مدولار پیش بینی و کاربرد آنها در مسائل سری زمانی: طبقه بندی، پیش بینی و شناسایی است. مخاطبان مورد نظر پژوهشگران و دانشجویان تحصیلات تکمیلی در رشته های شبکه های عصبی، علوم کامپیوتر، تشخیص الگوهای آماری، آمار، تئوری کنترل و اقتصاد سنجی هستند. زیست شناسان، فیزیولوژیست های عصبی و مهندسان پزشکی نیز ممکن است این کتاب را جالب بدانند. در دهه گذشته جامعه شبکه های عصبی علاقه شدیدی به روش های مدولار و مسائل سری زمانی نشان داده است. علاقه مشابهی برای سال‌ها در زمینه‌های دیگر نیز ابراز شده است، به ویژه در آمار، تئوری کنترل، اقتصاد سنجی و غیره. همپوشانی قابل‌توجهی (همیشه شناخته نشده) ایده‌ها و روش‌ها بین این زمینه‌ها وجود دارد. شبکه‌های عصبی مدولار نام‌های بسیار دیگری نیز دارند، به‌عنوان مثال مدل‌های متعدد، مدل‌های محلی و ترکیبی از متخصصان. ایده اصلی این است که به طور مستقل چندین \"زیر شبکه\" (ماژول) را توسعه دهیم که ممکن است وظایف مشابه یا مرتبط را انجام دهند و سپس از یک روش \"مناسب\" برای ترکیب خروجی‌های زیرشبکه‌ها استفاده کنیم. برخی از مزایای مورد انتظار این رویکرد (در مقایسه با استفاده از شبکه‌های \"مجموعه\" یا \"یکپارچه\") عبارتند از: عملکرد برتر، کاهش زمان توسعه و انعطاف‌پذیری بیشتر. به عنوان مثال، اگر یک ماژول از شبکه حذف شود و با یک ماژول جدید جایگزین شود (که ممکن است همان کار را کارآمدتر انجام دهد)، نباید نیازی به آموزش مجدد شبکه انبوه باشد.

The subject of this book is predictive modular neural networks and their ap­ plication to time series problems: classification, prediction and identification. The intended audience is researchers and graduate students in the fields of neural networks, computer science, statistical pattern recognition, statistics, control theory and econometrics. Biologists, neurophysiologists and medical engineers may also find this book interesting. In the last decade the neural networks community has shown intense interest in both modular methods and time series problems. Similar interest has been expressed for many years in other fields as well, most notably in statistics, control theory, econometrics etc. There is a considerable overlap (not always recognized) of ideas and methods between these fields. Modular neural networks come by many other names, for instance multiple models, local models and mixtures of experts. The basic idea is to independently develop several "subnetworks" (modules), which may perform the same or re­ lated tasks, and then use an "appropriate" method for combining the outputs of the subnetworks. Some of the expected advantages of this approach (when compared with the use of "lumped" or "monolithic" networks) are: superior performance, reduced development time and greater flexibility. For instance, if a module is removed from the network and replaced by a new module (which may perform the same task more efficiently), it should not be necessary to retrain the aggregate network.