• формат pdf
  • размер 8,30 МБ
  • добавлен 21 сентября 2013 г.
Ozaki T. Time Series Modeling of Neuroscience Data
Boca Raton: CRC Press, 2012. - 561p.
Монография посвящена современным методам математического анализа нейрофизиологической информации.
Рассматриваются такие вопросы, как методы статистической идентификации существенно нелинейных моделей, включая модель Ходжкина-Хаксли, модель хаоса Лоренца, модель Зеттерберга и пр., методы динамического анализа причинностей, включая подходы Винера, Гренджера, Акаике и др., метод пространства состояний для решения динамической обратной задачи, гетероскедастические модели пространства состояний для декомпозиции нестационарных сигналов применительно к анализу ЭЭГ, новые методы описания нелинейных и негауссовых временных рядов, новый метод пространственно-временных рядов для анализа данных фМРТ.
Для изучающих методы нейрофизиологии и математические методы обработки данных.

Contents

Introduction
Dynamic Models for Time Series Prediction
Time Series Prediction and the Power Spectrum
Discrete-Time Dynamic Models
Multivariate Dynamic Models
Continuous-Time Dynamic Models
Some More Models
Related Theories and Tools
Prediction and Doob Decomposition
Dynamics and Stationary Distributions
Bridge between Continuous-Time Models and Discrete-Time Models
Likelihood of Dynamic Models
State Space Modeling
Inference Problem (a) for State Space Models
Inference Problem (b) for State Space Models
Art of Likelihood Maximization
Causality Analysis
Conclusion: The New and Old Problems
References
Index
Похожие разделы