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: آمار ریاضی ویرایش: 1 نویسندگان: Nikolai Chernov سری: ISBN (شابک) : 143983590X, 9781439835906 ناشر: CRC Press سال نشر: 2010 تعداد صفحات: 279 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب رگرسیون دایره ای و خطی: دایره ها و خطوط متناسب با حداقل مربعات (چاپ منقوش چاپی و سالن CRC در آمار و احتمال کاربردی): ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی
در صورت تبدیل فایل کتاب Circular and Linear Regression: Fitting Circles and Lines by Least Squares (Chapman & Hall CRC Monographs on Statistics & Applied Probability) 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 رگرسیون دایره ای و خطی: دایره ها و خطوط متناسب با حداقل مربعات (چاپ منقوش چاپی و سالن CRC در آمار و احتمال کاربردی) 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.
الگوریتم مناسب را برای برنامه پردازش تصویر خود بیابید کاوش در دستاوردهای اخیر که از اواسط دهه 1990 رخ داده است، رگرسیون دایره ای و خطی: برازش دایره ها و خطوط با حداقل مربع نحوه استفاده از الگوریتم های مدرن برای متناسب کردن خطوط هندسی (دایره ها و کمان های دایره ای) را توضیح می دهد. به داده های مشاهده شده در پردازش تصویر و بینایی کامپیوتری. نویسنده تمام جنبه های - هندسی، آماری و محاسباتی - روش ها را پوشش می دهد. او به چگونگی ارتباط الگوریتمهای عددی با یکدیگر از طریق ایدههای اساسی نگاه میکند، نقاط قوت و ضعف هر الگوریتم را مقایسه میکند، و نحوه ترکیب الگوریتمها برای دستیابی به بهترین عملکرد را نشان میدهد. پس از معرفی تحلیل رگرسیون خطاها در متغیرها (EIV) و تاریخچه آن، این کتاب حل مسئله خطی EIV را خلاصه می کند و ویژگی های هندسی و آماری اصلی آن را برجسته می کند. سپس تئوری برازش دایرهها را با حداقل مربعات، قبل از تمرکز بر روشهای عملی برازش دایرههای هندسی و جبری توضیح میدهد. سپس متن تجزیه و تحلیل آماری روشهای برازش منحنی و دایره را پوشش میدهد. فصل آخر نمونهای از برازشهای دایرهای «عجیبانگیز» را ارائه میکند، از جمله برخی روشهای پیچیده ریاضی که از اعداد مختلط و نگاشتهای همشکل از صفحه مختلط استفاده میکنند. این کتاب که برای درک مزایا و محدودیتهای طرحهای عملی ضروری است، به طور کامل جنبههای نظری مسئله برازش را بررسی میکند. همچنین موضوعات مبهمی را که ممکن است در تحقیقات آینده مرتبط باشد، شناسایی می کند.
Find the right algorithm for your image processing application Exploring the recent achievements that have occurred since the mid-1990s, Circular and Linear Regression: Fitting Circles and Lines by Least Squares explains how to use modern algorithms to fit geometric contours (circles and circular arcs) to observed data in image processing and computer vision. The author covers all facets—geometric, statistical, and computational—of the methods. He looks at how the numerical algorithms relate to one another through underlying ideas, compares the strengths and weaknesses of each algorithm, and illustrates how to combine the algorithms to achieve the best performance. After introducing errors-in-variables (EIV) regression analysis and its history, the book summarizes the solution of the linear EIV problem and highlights its main geometric and statistical properties. It next describes the theory of fitting circles by least squares, before focusing on practical geometric and algebraic circle fitting methods. The text then covers the statistical analysis of curve and circle fitting methods. The last chapter presents a sample of "exotic" circle fits, including some mathematically sophisticated procedures that use complex numbers and conformal mappings of the complex plane. Essential for understanding the advantages and limitations of the practical schemes, this book thoroughly addresses the theoretical aspects of the fitting problem. It also identifies obscure issues that may be relevant in future research.