Recurrent Neural Networks for Prediction: Learning Algorithms, Architectures and Stability (Adaptive and Learning Systems for Signal Processing, Communications and Control Series) [Hardcover]

1994  activation  adaptive  al  algorithm  analysis  arbitrary  architectures  based  between  case  chapter  complex  conditions  convergence  data  derivative  dynamic  equation  equivalence  error  et  example  feedback  feedforward  figure  filter  first  fixed  form  function  gain  general  given  gradient  hence  however  input  iteration  layer  learning  linear  logistic  mandic  matrix  mean  model  modular  module  network  neural  neuron  nonlinear  nonlinearity  number  order  output  parameters  part  perceptron  performance  point  posteriori  prediction  predictor  problem  process  processing  rate  recurrent  referent  relationship  results  rnn  rtrl  series  set  shown  shows  sigmoid  signal  since  stability  state  static  structure  system  terms  therefore  time  trained  training  two  upon  use  used  values  vector  weight  whereas