دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: تحلیل و بررسی ویرایش: نویسندگان: Paul G. Constantine سری: SIAM Spotlights ISBN (شابک) : 1611973856, 9781611973860 ناشر: SIAM-Society for Industrial and Applied Mathematics سال نشر: 2015 تعداد صفحات: 111 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب زیرفضاهای فعال: ایده های نوظهور برای کاهش ابعاد در مطالعات پارامتر: مرجع سالنامه ها سالنامه ها اطلس نقشه ها کاتالوگ ها راهنماهای مصرف کننده فرهنگ لغت نامه ها اصطلاحنامه ها دایره المعارف ها موضوع انگلیسی به عنوان زبان دوم آداب مطالعه خارجی تبارشناسی نقل قول ها بقا آمادگی اضطراری آزمون کلمات گرامر نگارش تحقیق انتشار علوم تبدیل ریاضیات
در صورت تبدیل فایل کتاب Active Subspaces: Emerging Ideas for Dimension Reduction in Parameter Studies به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب زیرفضاهای فعال: ایده های نوظهور برای کاهش ابعاد در مطالعات پارامتر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
دانشمندان و مهندسان از شبیه سازی های کامپیوتری برای مطالعه روابط بین پارامترهای ورودی مدل و خروجی های آن استفاده می کنند. با این حال، زمانی که شبیهسازی گران است و مدل ورودیهای متعددی دارد، مطالعات کامل پارامترها اگر غیرممکن نباشد، چالش برانگیز است. برای فعال کردن مطالعات در این موارد، مهندس ممکن است سعی کند ابعاد فضای پارامتر ورودی مدل را کاهش دهد. زیرفضاهای فعال مجموعه ای در حال ظهور از ابزارهای کاهش ابعاد هستند که جهت های مهم در فضای پارامتر را شناسایی می کنند. این کتاب تکنیکهایی را برای کشف زیرفضای فعال یک مدل توصیف میکند و روشهایی را برای بهرهبرداری از ابعاد کاهشیافته برای فعال کردن مطالعات پارامتر غیرممکن پیشنهاد میکند. خوانندگان ایده های جدیدی برای کاهش ابعاد، الگوریتم های آسان برای پیاده سازی و چندین نمونه از زیرفضاهای فعال در عمل پیدا خواهند کرد. مطالعات پارامتر در همه جا در علم محاسبات وجود دارد. شبیهسازیهای مهندسی پیچیده باید چندین بار با ورودیهای مختلف اجرا شوند تا به طور موثر روابط بین ورودیها و خروجیها را مطالعه کنند. مطالعاتی مانند بهینهسازی، کمیسازی عدم قطعیت، و تحلیل حساسیت، مشخصات پیچیدهای از نقشه ورودی/خروجی را تولید میکنند. اما زمانی که هر شبیه سازی گران و تعداد پارامترها زیاد باشد، مطالعات دقیق پارامتر دشوارتر است. در عمل، مهندس ممکن است سعی کند یک مطالعه را به مهم ترین پارامترها محدود کند، که به طور موثر ابعاد مطالعه پارامتر را کاهش می دهد.
Scientists and engineers use computer simulations to study relationships between a model's input parameters and its outputs. However, thorough parameter studies are challenging, if not impossible, when the simulation is expensive and the model has several inputs. To enable studies in these instances, the engineer may attempt to reduce the dimension of the model's input parameter space. Active subspaces are an emerging set of dimension reduction tools that identify important directions in the parameter space. This book describes techniques for discovering a model's active subspace and proposes methods for exploiting the reduced dimension to enable otherwise infeasible parameter studies. Readers will find new ideas for dimension reduction, easy-to-implement algorithms, and several examples of active subspaces in action. Parameter studies are everywhere in computational science. Complex engineering simulations must run several times with different inputs to effectively study the relationships between inputs and outputs. Studies like optimization, uncertainty quantification, and sensitivity analysis produce sophisticated characterizations of the input/output map. But thorough parameter studies are more difficult when each simulation is expensive and the number of parameters is large. In practice, the engineer may try to limit a study to the most important parameters, which effectively reduces the dimension of the parameter study.