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 Linear Algebra for Pattern Processing: Projection, Singular Value Decomposition, and Pseudoinverse

دانلود کتاب جبر خطی برای پردازش الگو: طرح ریزی، تجزیه ارزش مفرد، و شبه معکوس

Linear Algebra for Pattern Processing: Projection, Singular Value Decomposition, and Pseudoinverse

مشخصات کتاب

Linear Algebra for Pattern Processing: Projection, Singular Value Decomposition, and Pseudoinverse

ویرایش:  
نویسندگان:   
سری: Synthesis Lectures on Signal Processing 
ISBN (شابک) : 1636391079, 9781636391076 
ناشر: Morgan & Claypool Publishers 
سال نشر: 2021 
تعداد صفحات: 155
[157] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Linear Algebra for Pattern Processing: Projection, Singular Value Decomposition, and Pseudoinverse 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 جبر خطی برای پردازش الگو: طرح ریزی، تجزیه ارزش مفرد، و شبه 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 جبر خطی برای پردازش الگو: طرح ریزی، تجزیه ارزش مفرد، و شبه معکوس

جبر خطی یکی از اساسی ترین پایه های طیف وسیعی از حوزه های علمی است و بیشتر کتاب های درسی جبر خطی توسط ریاضیدانان نوشته شده است. با این حال، این کتاب به طور خاص برای دانشجویان و محققان پردازش اطلاعات الگو، تجزیه و تحلیل سیگنال‌هایی مانند تصاویر و کاوش بینایی کامپیوتر و برنامه‌های گرافیک کامپیوتری در نظر گرفته شده است. نویسنده خود محقق این حوزه است. چنین پردازش اطلاعات الگوی با حجم زیادی از داده ها سروکار دارد که با بردارها و ماتریس های با ابعاد بالا نشان داده می شوند. در آنجا، نقش جبر خطی صرفاً محاسبات عددی بردارها و ماتریس‌ها در مقیاس بزرگ نیست. در واقع، پردازش داده ها معمولاً با "تفسیر هندسی" همراه است. برای مثال، می‌توانیم یک مجموعه داده را «متعامد» نسبت به دیگری تصور کنیم و «فاصله» بین آن‌ها تعریف کنیم یا روابط هندسی مانند «طرح‌کردن» برخی داده‌ها را در فضایی فراخوانی کنیم. چنین مفاهیم هندسی نه تنها به ما کمک می کند تا فضاهای انتزاعی با ابعاد بالا را به صورت ذهنی تجسم کنیم، بلکه ما را به یافتن اینکه چه نوع پردازشی برای چه نوع اهدافی مناسب است، هدایت می کند. ابتدا، مفهوم "طرح افکنی" فضاهای خطی را در نظر می گیریم و "تجزیه طیفی"، "تجزیه مقدار منفرد" و "شبه وارونه" را از نظر طرح ریزی توصیف می کنیم. به عنوان کاربردهای آنها، ما راه حل های حداقل مربعات معادلات خطی همزمان و ماتریس های کوواریانس توزیع احتمال متغیرهای تصادفی برداری را که لزوما قطعی مثبت نیستند، مورد بحث قرار می دهیم. ما همچنین در مورد برازش فضاهای فرعی برای داده های نقطه ای و فاکتورسازی ماتریس ها در ابعاد بالا در رابطه با تحلیل تصویر حرکتی بحث می کنیم. در نهایت، ما یک برنامه بینایی کامپیوتری را برای بازسازی مکان سه بعدی یک نقطه از سه نمای دوربین معرفی می‌کنیم تا نقش جبر خطی در برخورد با داده‌های دارای نویز را نشان دهیم. انتظار می رود این کتاب به دانشجویان و محققان پردازش اطلاعات الگوی کمک کند تا درک هندسی جبر خطی را عمیق تر کنند.


توضیحاتی درمورد کتاب به خارجی

Linear algebra is one of the most basic foundations of a wide range of scientific domains, and most textbooks of linear algebra are written by mathematicians. However, this book is specifically intended to students and researchers of pattern information processing, analyzing signals such as images and exploring computer vision and computer graphics applications. The author himself is a researcher of this domain. Such pattern information processing deals with a large amount of data, which are represented by high-dimensional vectors and matrices. There, the role of linear algebra is not merely numerical computation of large-scale vectors and matrices. In fact, data processing is usually accompanied with "geometric interpretation." For example, we can think of one data set being "orthogonal" to another and define a "distance" between them or invoke geometric relationships such as "projecting" some data onto some space. Such geometric concepts not only help us mentally visualize abstract high-dimensional spaces in intuitive terms but also lead us to find what kind of processing is appropriate for what kind of goals. First, we take up the concept of "projection" of linear spaces and describe "spectral decomposition," "singular value decomposition," and "pseudoinverse" in terms of projection. As their applications, we discuss least-squares solutions of simultaneous linear equations and covariance matrices of probability distributions of vector random variables that are not necessarily positive definite. We also discuss fitting subspaces to point data and factorizing matrices in high dimensions in relation to motion image analysis. Finally, we introduce a computer vision application of reconstructing the 3D location of a point from three camera views to illustrate the role of linear algebra in dealing with data with noise. This book is expected to help students and researchers of pattern information processing deepen the geometric understanding of linear algebra.



فهرست مطالب

Preface
Introduction
	Linear Space and Projection
	Eigenvalues and Spectral Decomposition
	Singular Values and Singular Value Decomposition
	Pseudoinverse
	Least-Squares Solution of Linear Equations
	Probability Distribution of Vectors
	Fitting Spaces
	Matrix Factorization
	Triangulation from Three Views
	Fundamentals of Linear Algebra
Linear Space and Projection
	Expression of Linear Mapping
	Subspaces, Projection, and Rejection
	Projection Matrices
	Projection Onto Lines and Planes
	Schmidt Orthogonalization
	Glossary and Summary
	Supplemental Notes
	Problems
Eigenvalues and Spectral Decomposition
	Eigenvalues and Eigenvectors
	Spectral Decomposition
	Diagonalization of Symmetric Matrices
	Inverse and Powers
	Glossary and Summary
	Supplemental Notes
	Problems
Singular Values and Singular Value Decomposition
	Singular Values and Singular Vectors
	Singular Value Decomposition
	Column Domain and Row Domain
	Matrix Representation
	Glossary and Summary
	Supplemental Notes
	Problems
Pseudoinverse
	Pseudoinverse
	Projection Onto the Column and Row Domains
	Pseudoinverse of Vectors
	Rank-Constrained Pseudoinverse
	Evaluation by Matrix Norm
	Glossary and Summary
	Supplemental Notes
	Problems
Least-Squares Solution of Linear Equations
	Linear Equations and Least Squares
	Computing the Least-Squares Solution
	Multiple Equations of One Variable
	Single Multivariate Equation
	Glossary and Summary
	Supplemental Notes
	Problems
Probability Distribution of Vectors
	Covariance Matrices of Errors
	Normal Distribution of Vectors
	Probability Distribution Over a Sphere
	Glossary and Summary
	Supplemental Notes
	Problems
Fitting Spaces
	Fitting Subspaces
	Hierarchical Fitting
	Fitting by Singular Value Decomposition
	Fitting Affine Spaces
	Glossary and Summary
	Supplemental Notes
	Problems
Matrix Factorization
	Matrix Factorization
	Factorization for Motion Image Analysis
	Supplemental Notes
	Problems
Triangulation from Three Views
	Trinocular Stereo Vision
	Trifocal Tensor
	Optimal Correction of Correspondences
	Solving Linear Equations
	Efficiency of Computation
	3D Position Computation
	Supplemental Notes
	Problems
Fundamentals of Linear Algebra
	Linear Mappings and Matrices
	Inner Product and Norm
	Linear Forms
	Quadratic Forms
	Bilinear Forms
	Basis and Expansion
	Least-Squares Approximation
	Lagrange's Method of Indeterminate Multipliers
	Eigenvalues and Eigenvectors
	Maximum and Minimum of a Quadratic Form
Answers
Bibliography
Author's Biography
Index




نظرات کاربران