Boken "Kalman Filtering and Neural Networks" gir en omfattende oversikt over Kalman-filtermetoder som er anvendelige for design av nevrale nettverk. Dette selvstendige verket, bestående av syv kapitler skrevet av anerkjente eksperter på feltet, utforsker hvordan Kalman-filtering kan brukes i trening og anvendelse av nevrale nettverk. Mens tradisjonelle tilnærminger stort sett omhandler lineære problemstillinger, tar denne boken hensyn til at virkelige problemstillinger ofte er ikke-lineære. Første kapittel gir en innføring i Kalman-filtre med fokus på grunnleggende teori, Rauch-Tung-Striebel-glatting og utvidede Kalman-filtre. Videre dekker kapitlene: * En algoritme for opplæring av feedforward og rekurrent flerlags perceptroner, basert på den frakoblede utvidede Kalman-filtermetoden (DEKF) * Bruk av DEKF-læringsalgoritmen i studier av bildeserier og dynamisk rekonstruksjon av kaotiske prosesser * Dual estimeringsproblem * Stokastisk ikke-lineær dynamikk: forventningsmaksimering (EM)-algoritmen. Dette er en uvurderlig ressurs for forskere og praktikere som ønsker å forstå den komplekse interaksjonen mellom Kalman-filtre og nevrale nettverk.
