Diplomarbeit von Michael Schindler

Literatur
Abramowitz, M. & Stegun, I. (Hrsg.) (1972). Handbook of Mathematical Functions.
New York: Dover Publications.
Adolphs, U. (1992). Selbstorganisierende Perzeptronstrukturen mit radialen
Basisfunktionen. Diplomarbeit, Fakultät für Physik der Ludwig-Maximilians-
Universität, München.
Albrecht, S. (1999). Multivariate GRBF-Netzwerke und Systeme lokaler Experten:
Neue Konzepte und ihre Anwendung bei komplexen Regelungsaufgaben. Dissertation,
Fakultät für Physik der Ludwig-Maximilians-Universität, München.
Albrecht, S., Busch, J., Kloppenburg, M., Metze, F., & Tavan, P.
(2000). Generalized Radial Basis Function Networks for Classification and Novelty
Detection Self-Organization of Optimal Bayesian Decision. Neural Networks
13, 29–47.
Anderson, J. A. & Rosenfeld, E. (Hrsg.) (1988). Neurocomputing: Foundations
of Research. Cambridge: MIT Press.
Bailey, C. H. & Kandel, E. R. (1985). Molecular Approaches to the Study of
Short-Term and Long-Term Memory. In C. W. Coen (Hrsg.), Functions of the
Brain, Kapitel 5, S. 98–129. Oxford: Clarendon Press.
Bandelow, C. (1989). Einführung in die Wahrscheinlichkeitstheorie. Mannheim:
BI Wissenschaftsverlag.
Benveniste, A., Métivier, M., & Priouret, P. (1990). Adaptive Algorithms
and Stochastic Approximations. Berlin: Springer-Verlag.
Bishop, C. M. (1995). Neural Networks for Pattern Recogniton. New York: Oxford
University Press.
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum Likelihood
from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical
Society 39, 1–38.
Dersch, D. R. (1995). Eigenschaften neuronaler Vektorquantisierer und ihre
Anwendung in der Sprachverarbeitung. Dissertation, Fakultät für Physik der
Ludwig-Maximilians-Universität, München.
Duda, R. O. & Hart, P. E. (1973). Pattern Classification and Scene Analysis.
New York: John Wiley.
Fischer, H. & Kaul, H. (1990). Mathematik für Physiker 1. Stuttgart: Teubner.