ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Computational methods for inverse problems

دانلود کتاب روش های محاسباتی برای مشکلات معکوس

Computational methods for inverse problems

مشخصات کتاب

Computational methods for inverse problems

دسته بندی: ریاضیات محاسباتی
ویرایش: 1st 
نویسندگان:   
سری: Frontiers in Applied Mathematics 
ISBN (شابک) : 9780898715071, 0898715075 
ناشر: Soc for Industrial & Applied Math 
سال نشر: 2002 
تعداد صفحات: 200 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت

قیمت کتاب (تومان) : 38,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Computational methods for inverse problems 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 روش های محاسباتی برای مشکلات معکوس 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.


توضیحاتی در مورد کتاب روش های محاسباتی برای مشکلات معکوس

مشکلات معکوس در تعدادی از کاربردهای عملی مهم، از تصویربرداری زیست پزشکی گرفته تا اکتشاف لرزه ای، به وجود می آیند. این کتاب درک پایه ای از ریاضیات اساسی و روش های محاسباتی مورد استفاده برای حل مسائل معکوس را در اختیار خواننده قرار می دهد. همچنین به موضوعات تخصصی مانند بازسازی تصویر، شناسایی پارامتر، روش‌های تنوع کل، محدودیت‌های غیر منفی و روش‌های انتخاب پارامتر تنظیم می‌پردازد.

از آنجایی که مشکلات معکوس معمولاً شامل تخمین کمیت های معین بر اساس اندازه گیری های غیرمستقیم است، فرآیند تخمین اغلب نامناسب است. روش‌های منظم‌سازی، که برای مقابله با این وضعیت بد ایجاد شده‌اند، در فصل‌های اولیه روش‌های محاسباتی برای مسائل معکوس به دقت توضیح داده شده‌اند. این کتاب همچنین تئوری ریاضی و آماری را با کاربردها و روش‌های محاسباتی عملی، از جمله موضوعاتی مانند برآورد حداکثر احتمال و تخمین بیزی، ادغام می‌کند.

چندین منبع مبتنی بر وب برای تعاملی کردن این تک نگاری در دسترس است، از جمله مجموعه ای از فایل های MATLAB که برای تولید بسیاری از مثال ها و شکل ها استفاده می شود. این منابع خوانندگان را قادر می سازد تا آزمایشات محاسباتی خود را برای به دست آوردن بینش انجام دهند. آنها همچنین الگوهایی را برای اجرای روش های منظم سازی و تکنیک های حل عددی برای سایر مسائل معکوس ارائه می دهند. علاوه بر این، آنها شامل برخی از مسائل آزمون واقعی هستند که برای توسعه بیشتر و آزمایش روش‌های عددی مختلف استفاده می‌شوند.


توضیحاتی درمورد کتاب به خارجی

Inverse problems arise in a number of important practical applications, ranging from biomedical imaging to seismic prospecting. This book provides the reader with a basic understanding of both the underlying mathematics and the computational methods used to solve inverse problems. It also addresses specialized topics like image reconstruction, parameter identification, total variation methods, nonnegativity constraints, and regularization parameter selection methods.

Because inverse problems typically involve the estimation of certain quantities based on indirect measurements, the estimation process is often ill-posed. Regularization methods, which have been developed to deal with this ill-posedness, are carefully explained in the early chapters of Computational Methods for Inverse Problems. The book also integrates mathematical and statistical theory with applications and practical computational methods, including topics like maximum likelihood estimation and Bayesian estimation.

Several web-based resources are available to make this monograph interactive, including a collection of MATLAB m-files used to generate many of the examples and figures. These resources enable readers to conduct their own computational experiments in order to gain insight. They also provide templates for the implementation of regularization methods and numerical solution techniques for other inverse problems. Moreover, they include some realistic test problems to be used to further develop and test various numerical methods.



فهرست مطالب


 Content: 1.2 Regularization by Filtering 2 --
 1.2.1 A Deterministic Error Analysis 6 --
 1.2.2 Rates of Convergence 7 --
 1.2.3 A Posteriori Regularization Parameter Selection 8 --
 1.3 Variational Regularization Methods 9 --
 1.4 Iterative Regularization Methods 10 --
 2 Analytical Tools 13 --
 2.1 Ill-Posedness and Regularization 16 --
 2.1.1 Compact Operators, Singular Systems, and the SVD 17 --
 2.1.2 Least Squares Solutions and the Pseudo-Inverse 18 --
 2.2 Regularization Theory 19 --
 2.3 Optimization Theory 20 --
 2.4 Generalized Tikhonov Regularization 24 --
 2.4.1 Penalty Functionals 24 --
 2.4.2 Data Discrepancy Functionals 25 --
 2.4.3 Some Analysis 26 --
 3 Numerical Optimization Tools 29 --
 3.1 The Steepest Descent Method 30 --
 3.2 The Conjugate Gradient Method 31 --
 3.2.1 Preconditioning 33 --
 3.2.2 Nonlinear CG Method 34 --
 3.3 Newton\'s Method 34 --
 3.3.1 Trust Region Globalization of Newton\'s Method 35 --
 3.3.2 The BFGS Method 36 --
 3.4 Inexact Line Search 36 --
 4 Statistical Estimation Theory 41 --
 4.1 Preliminary Definitions and Notation 41 --
 4.2 Maximum Likelihood Estimation 46 --
 4.3 Bayesian Estimation 46 --
 4.4 Linear Least Squares Estimation 50 --
 4.4.1 Best Linear Unbiased Estimation 50 --
 4.4.2 Minimum Variance Linear Estimation 52 --
 4.5 The EM Algorithm 53 --
 5 Image Deblurring 59 --
 5.1 A Mathematical Model for Image Blurring 59 --
 5.1.1 A Two-Dimensional Test Problem 61 --
 5.2 Computational Methods for Toeplitz Systems 63 --
 5.2.1 Discrete Fourier Transform and Convolution 64 --
 5.2.2 The FFT Algorithm 66 --
 5.2.3 Toeplitz and Circulant Matrices 68 --
 5.2.4 Best Circulant Approximation 70 --
 5.2.5 Block Toeplitz and Block Circulant Matrices 71 --
 5.3 Fourier-Based Deblurring Methods 74 --
 5.3.1 Direct Fourier Inversion 75 --
 5.3.2 CG for Block Toeplitz Systems 76 --
 5.3.3 Block Circulant Preconditioners 78 --
 5.3.4 A Comparison of Block Circulant Preconditioners 81 --
 5.4 Multilevel Techniques 82 --
 6 Parameter Identification 85 --
 6.1 An Abstract Framework 86 --
 6.1.1 Gradient Computations 87 --
 6.1.2 Adjoint, or Costate, Methods 88 --
 6.1.3 Hessian Computations 89 --
 6.1.4 Gauss --
 Newton Hessian Approximation 89 --
 6.2 A One-Dimensional Example 89 --
 6.3 A Convergence Result 93 --
 7 Regularization Parameter Selection Methods 97 --
 7.1 The Unbiased Predictive Risk Estimator Method 98 --
 7.1.1 Implementation of the UPRE Method 100 --
 7.1.2 Randomized Trace Estimation 101 --
 7.1.3 A Numerical Illustration of Trace Estimation 101 --
 7.1.4 Nonlinear Variants of UPRE 103 --
 7.2 Generalized Cross Validation 103 --
 7.2.1 A Numerical Comparison of UPRE and GCV 103 --
 7.3 The Discrepancy Principle 104 --
 7.3.1 Implementation of the Discrepancy Principle 105 --
 7.4 The L-Curve Method 106 --
 7.4.1 A Numerical Illustration of the L-Curve Method 107 --
 7.5 Other Regularization Parameter Selection Methods 107 --
 7.6 Analysis of Regularization Parameter Selection Methods 109 --
 7.6.1 Model Assumptions and Preliminary Results 109 --
 7.6.2 Estimation and Predictive Errors for TSVD 114 --
 7.6.3 Estimation and Predictive Errors for Tikhonov Regularization 116 --
 7.6.4 Analysis of the Discrepancy Principle 121 --
 7.6.5 Analysis of GCV 122 --
 7.6.6 Analysis of the L-Curve Method 124 --
 7.7 A Comparison of Methods 125 --
 8 Total Variation Regularization 129 --
 8.1 Motivation 129 --
 8.2 Numerical Methods for Total Variation 130 --
 8.2.1 A One-Dimensional Discretization 131 --
 8.2.2 A Two-Dimensional Discretization 133 --
 8.2.3 Steepest Descent and Newton\'s Method for Total Variation 134 --
 8.2.4 Lagged Diffusivity Fixed Point Iteration 135 --
 8.2.5 A Primal-Dual Newton Method 136 --
 8.2.6 Other Methods 141 --
 8.3 Numerical Comparisons 142 --
 8.3.1 Results for a One-Dimensional Test Problem 142 --
 8.3.2 Two-Dimensional Test Results 144 --
 8.4 Mathematical Analysis of Total Variation 145 --
 8.4.1 Approximations to the TV Functional 148 --
 9 Nonnegativity Constraints 151 --
 9.2 Theory of Constrained Optimization 154 --
 9.2.1 Nonnegativity Constraints 156 --
 9.3 Numerical Methods for Nonnegatively Constrained Minimization 157 --
 9.3.1 The Gradient Projection Method 157 --
 9.3.2 A Projected Newton Method 158 --
 9.3.3 A Gradient Projection-Reduced Newton Method 159 --
 9.3.4 A Gradient Projection-CG Method 161 --
 9.3.5 Other Methods 162 --
 9.4 Numerical Test Results 162 --
 9.4.1 Results for One-Dimensional Test Problems 162 --
 9.4.2 Results for a Two-Dimensional Test Problem 164 --
 9.5 Iterative Nonnegative Regularization Methods 165 --
 9.5.1 Richardson --
 Lucy Iteration 165 --
 9.5.2 A Modified Steepest Descent Algorithm 166.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی