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
ویرایش: نویسندگان: J. Nathan Kutz, Steven L. Brunton, Bingni W. Brunton, Joshua L. Proctor سری: ISBN (شابک) : 9781611974492 ناشر: SIAM-Society for Industrial and Applied Mathematics سال نشر: 2016 تعداد صفحات: 241 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 24 Mb
در صورت تبدیل فایل کتاب Dynamic Mode Decomposition: Data-Driven Modeling of Complex Systems 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 تجزیه حالت پویا: مدلسازی دادهمحور سیستمهای پیچیده 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.
سیستمهای دینامیکی مبتنی بر داده، زمینهای در حال رشد است - این موضوع نحوه استفاده از اندازهگیریهای سیستمهای دینامیکی غیرخطی و/یا سیستمهای پیچیده را با روشهای تثبیتشده در تئوری سیستمهای دینامیکی به هم مرتبط میکند. این یک جهت جدید بسیار مهم است زیرا معادلات حاکم بر بسیاری از مسائل مورد بررسی توسط پزشکان در زمینه های علمی مختلف معمولاً شناخته شده نیستند. بنابراین، استفاده از دادهها به تنهایی برای کمک به استخراج، به معنای بهینه، بهترین نمایش سیستم دینامیکی از یک برنامه خاص، بینشهای مهم جدید را امکانپذیر میسازد. تجزیه حالت پویا (DMD) که اخیراً توسعه یافته است، یک ابزار نوآورانه برای ادغام داده ها با نظریه سیستم های دینامیکی است. DMD ارتباط عمیقی با نظریه سیستم های دینامیکی سنتی و بسیاری از نوآوری های اخیر در سنجش فشرده و یادگیری ماشین دارد.
Data-driven dynamical systems is a burgeoning field—it connects how measurements of nonlinear dynamical systems and/or complex systems can be used with well-established methods in dynamical systems theory. This is a critically important new direction because the governing equations of many problems under consideration by practitioners in various scientific fields are not typically known. Thus, using data alone to help derive, in an optimal sense, the best dynamical system representation of a given application allows for important new insights. The recently developed dynamic mode decomposition (DMD) is an innovative tool for integrating data with dynamical systems theory. The DMD has deep connections with traditional dynamical systems theory and many recent innovations in compressed sensing and machine learning.
Front Matter......Page 1
Chapter 1:Dynamic Mode Decomposition:An Introduction......Page 14
Chapter 2:Fluid Dynamics......Page 38
Chapter 3:Koopman Analysis......Page 52
Chapter 4:Video Processing......Page 67
Chapter 5:Multiresolution Dynamic Mode Decomposition......Page 83
Chapter 6:DMD with Control......Page 102
Chapter 7:Delay Coordinates, ERA, and Hidden Markov Models......Page 115
Chapter 8:Noise and Power......Page 129
Chapter 9:Sparsity and DMD......Page 143
Chapter 10:DMD on Nonlinear Observables......Page 168
Chapter 11:Epidemiology......Page 186
Chapter 12:Neuroscience......Page 194
Chapter 13:Financial Trading......Page 203
Back Matter......Page 215