• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文OA文献 >Neurocomputing for spatio-/spectro temporal pattern recognition and early event prediction: methods, systems, applications
【2h】

Neurocomputing for spatio-/spectro temporal pattern recognition and early event prediction: methods, systems, applications

机译：用于空间/光谱时间模式识别和早期事件预测的神经计算：方法，系统，应用

页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The talk presents a brief overview of contemporary methods for neurocomputation, including: evolving connections systems (ECOS) and evolving neuro-fuzzy systems [1]; evolving spiking neural networks (eSNN) [2-5]; evolutionary and neurogenetic systems [6]; quantum inspired evolutionary computation [7,8]; rule extraction from eSNN [9]. These methods are suitable for incremental adaptive, on-line learning from spatio-temporal data and for data mining. But the main focus of the talk is how they can learn to predict early the outcome of an input spatio-temporal pattern, before the whole pattern is entered in a system. This is demonstrated on several applications in bioinformatics, such as stroke occurrence prediction, and brain data modeling for brain-computer interfaces [10], on ecological and environmental modeling [11]. eSNN have proved superior for spatio-and spectro-temporal data analysis, modeling, pattern recognition and early event prediction as outcome of recognized patterns when partially presented.
机译：演讲简要概述了当代的神经计算方法，包括：进化的连接系统（ECOS）和进化的神经模糊系统[1]；进化尖峰神经网络（eSNN）[2-5]；进化和神经遗传系统[6]；量子启发式进化计算[7,8]；从eSNN中提取规则[9]。这些方法适用于从时空数据进行增量自适应在线学习以及数据挖掘。但是，演讲的主要重点是他们如何学会在整个模式输入系统之前尽早预测输入时空模式的结果。这在生物信息学中的多种应用中得到了证明，例如中风发生预测和用于人机界面的大脑数据建模[10]，生态和环境建模[11]。事实证明，eSNN对于时空和光谱时态数据分析，建模，模式识别和早期事件预测（作为部分呈现的已识别模式的结果）具有优越性。

著录项

  • 作者

    Kasabov N;

  • 作者单位
  • 年度 2014
  • 总页数
  • 原文格式 PDF
  • 正文语种
  • 中图分类

相似文献

  • 外文文献
  • 中文文献
  • 专利

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号