home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #18 / NN_1992_18.iso / spool / comp / ai / neuraln / 3179 < prev    next >
Encoding:
Text File  |  1992-08-13  |  6.2 KB  |  188 lines
  1. Newsgroups: comp.ai.neural-nets
  2. Path: sparky!uunet!gatech!rpi!omlinc
  3. From: omlinc@williams.cs.rpi.edu (C Omlin)
  4. Subject: references on time series prediction
  5. Message-ID: <nj6xj!#@rpi.edu>
  6. Nntp-Posting-Host: williams.cs.rpi.edu
  7. Organization: Rensselaer Polytechnic Institute, Troy NY
  8. Date: Mon, 3 Aug 1992 19:36:26 GMT
  9. Lines: 177
  10.  
  11. Hi !
  12.  
  13. Here is a summary of replies I have received in response
  14. to my request for references on time series prediction using
  15. artificial neural networks. 
  16.  
  17. Thanks to all those who replied !
  18.  
  19. Christian
  20.  
  21. ===================================================================
  22. From ellner@stat.ncsu.edu Fri Jul 31 10:53:22 1992
  23.  
  24. 1. (Just in case) see the book Nonlinear Modeling and Forecasting
  25.    (ed. M.Casdagli and S. Eubank), SFI Studies in the Sciences of
  26.    Complexity, Proceedings Vol. XII, Addison-Wesley NY (1992). {lotsa
  27.    net papers}
  28.  
  29.  
  30. 2. D. Nychka, S.Ellner, A.R. Gallant, and D. McCaffrey. 1992. 
  31.    Finding chaos in noisy systems. J. Royal Statistical Society Ser. B vol.54,
  32.    399-426.
  33.  
  34. 3. D. McCaffrey, S. Ellner, A.R. Gallant, D. Nychka. 1992. Estimating
  35.    the Lyapunov exponent of a chaotic system with nonparametric regression. 
  36.    J. Amer. Stat. Assoc. (in press; to appear this Fall).
  37.  
  38.  
  39. 4. Wolpert, D.M. and R.C. Miall 1990. Detecting chaos with neural networks. 
  40.    Proc. Roy. Soc. Lond. B 242, 82-86.
  41.  
  42. ===================================================================
  43. From @computer-science-test.birmingham.ac.uk:A.Hooper-COG1@computer-science.birmingham.ac.uk Fri Jul 31 11:56:35 1992
  44.  
  45. //not a NN aproach but it compares traditional approaches with NN ones
  46. [1] "Nonlinear Prediction of Chaotic Time Series",
  47. Martin Casdagli, 
  48. Physica D  35 (1989),
  49. pp 335-356.
  50.  
  51.  
  52. [2] "Predicting the Mackey-Glass Timeseries With Cascade-Correltion Learning",
  53. R. Scott Crowder,III, 
  54. In- "Proceedings of the 1990 Connectionist Models Summer School",
  55. (editors) D. S. Touretzky, J. L. Elman, T. J. Sejnowski, and G. E. Hinton,
  56. (Publisher) Morgan-Kauffman,
  57. (Place) San Mateo, CA.,
  58. pp 117-123.
  59.  
  60.  
  61. [5] "Predicting the Future: A Connectionist Approach",
  62. Andreas S. Wiegend,  Bernardo A. Huberman  and  David E. Rumelhart,
  63. International Journal of Neural Systems, vol 1, 3 (1990),
  64. pp 193-209. 
  65.  
  66.  
  67. [6] "Nonlinear Forecasting as a Way of Distinguishing Chaos From Measurement Error in
  68. Time Series",
  69. George Sugihara, and Robert M. May,
  70. Nature, 344, (1990),
  71. pp 734-741.
  72.  
  73. [7] "Predicting Chaotic Time Series",
  74. J. Doyne Farmer, and John J. Sidorwich,
  75. Physical Review Letters, vol 59, 8 (1987),
  76. pp 845-848.
  77.  
  78. ===================================================================
  79. From ingber@umiacs.UMD.EDU Fri Jul 31 14:15:49 1992
  80.  
  81. I've written a paper specific to a large class of systems:
  82. %A L. Ingber
  83. %T Generic mesoscopic neural networks based on statistical mechanics
  84. of neocortical interactions
  85. %J Phys. Rev. A
  86. %V 45
  87. %S 4
  88. %P R2183-R2186
  89. %D 1992
  90.  
  91. This paper can be accessed electronically:
  92.  
  93.               Getting (P)Reprints via Anonymous Ftp
  94.  
  95.      Please  note  that  some of my (p)reprints can be downloaded
  96. via anonymous ftp from ftp.umiacs.umd.edu [128.8.120.23]  in  the
  97. pub/ingber  directory.   If  you  have problems with this, let me
  98. know and I will be glad to prepare a uuencoded copy to  email  to
  99. you.   Sorry,  but I cannot take on the task of mailing out hard-
  100. copies.
  101.  
  102.      Just follow these procedures on your local machine:
  103. local% ftp ftp.umiacs.umd.edu
  104. [local% ftp 128.8.120.23]
  105. Name (ftp.umiacs.umd.edu:yourloginname): anonymous
  106. Password (ftp.umiacs.umd.edu:anonymous): [type in yourloginname]
  107. ftp> cd pub/ingber
  108. ftp> binary
  109. ftp> get README.file
  110. ftp> get file.ps.Z
  111. ftp> quit
  112. local% uncompress file.ps.Z
  113. local% lpr [-P..] file.ps [to your PostScript laserprinter]
  114.  
  115.      With a uuencoded copy, first save to  mailfile.   Strip  out
  116. lines  before  "begin"  and  after  "end".   Save to mailfile.uu.
  117. Applying
  118. local% uudecode mailfile.uu
  119. will leave file.ps.Z.  Then, proceed as above.
  120.  
  121. ===================================================================
  122. From chadha@tree.egr.uh.edu Fri Jul 31 17:27:34 1992
  123.  
  124. Dear Christian,
  125.         I am also interseted in time series prediction (both  
  126. feedforward and recurrent with more emphasis on the latter) for being  
  127. able to get an estimation of the underlying dynamics of a nonlinear  
  128. system.
  129.         I would appreciate it if you could forward the  
  130. replies that you get to me(in case you are not summarizing for the  
  131. net or if you think that it will be some time before you do that).
  132.  
  133.         Thanks
  134.  
  135. Deepak Chadha
  136. Electrical Engineering 
  137.  
  138. University of Houston
  139.  
  140. ===================================================================
  141. From Ranka@top.cis.syr.edu Fri Jul 31 17:52:43 1992
  142.  
  143. K. Chakraborty, C. K. Mohan and K.
  144. Mehrotra, and S. Ranka, 
  145. \it Modeling Multivariate Time Series Using Neural Networks
  146. \sl Neural Networks,
  147. \rm to appear
  148. \rm (with K. Chakraborty, C. K. Mohan and K.
  149. Mehrotra).
  150.  
  151. ===================================================================
  152. From akerberg@tree.egr.uh.edu Mon Aug  3 15:16:30 1992
  153.  
  154. J C Principe, Alok Rathie and J-M Kuo, Prediction of chaotic time series
  155. with Neural Networks. I lost track of where this came from but a quick 
  156.  
  157. entry on a library computer should give you a complete reference. Another
  158. alternative is to e-mail to principe@synapse.ee.ufl.edu
  159. They use a Time Delay NN to predict and thus model a chaotic time series
  160. (Mackey Glass time series), Nice paper
  161.  
  162. A.D. Back and A.C. Tsoi, FIR and IIR Synapses, a New Neural Network 
  163.  
  164. Architechture for Tine Series Modeling. Neural Computation 3, 375-385 
  165.  
  166. 1991. A Multi layer Perceptron arhitechture is used with filters, IIR 
  167.  
  168. and FIR, instead of constant weights for synapses.
  169.  
  170. N.Z Hakim, J.J. Kaufman, G. Cerf and H.E. Meadows, A Discrete-Time Neural
  171. Network Model for Systems Identification. Proceedings IJCNN-90. (IJCNN I
  172. believe is the International Joint Conference on Neural Networks)
  173. They use the "prediction error to train their model. Loosely related to
  174. what you want.
  175.  
  176. N.Z Hakim, J.J. Kaufman, G. Cerf and H.E. Meadows, Nonlinear Time Series 
  177.  
  178. Prediction with a Discrete-Time Neural Network Model. Proceedings 
  179.  
  180. IJCNN-91. I'm not sure if the whole paper is published or only the  
  181. abstract.
  182. Recurrent NN used to predict e.g. the Mackey-Glass time series.
  183.  
  184. J.A. Villareal and Robert O. Shelton, A Space-Time Neural Network,
  185. Pesented at the Second Annual Joint Conference on Neural Networks and 
  186.  
  187. Fuzzy Logic -90.
  188.