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: 2
نویسندگان: Markovsky I
سری:
ISBN (شابک) : 9783319896199, 9783319896205
ناشر: Springer
سال نشر: 2019
تعداد صفحات: 280
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Low-rank approximation. Algorithms, implementation, applications 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 تقریب رتبه پایین الگوریتم ها، پیاده سازی، برنامه ها 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.
این کتاب توضیحی جامع از تئوری، الگوریتمها و کاربردهای تقریب ساختاریافته با رتبه پایین است. روشهای بهینهسازی محلی و آرامشهای محدب زیر بهینه مؤثر برای مسائل ساختاری Toeplitz، Hankel و Sylvester ارائه شدهاند. بخش عمده ای از متن به کاربرد نظریه با طیف وسیعی از کاربردها از سیستم ها و نظریه کنترل گرفته تا روانسنجی اختصاص دارد. دانش خاصی از زمینه های برنامه مورد نیاز نیست. ویرایش دوم /تقریبا رتبه پایین/ یک ویرایش کاملاً ویرایش شده و به طور گسترده بازنویسی شده است. این شامل فصلها و بخشهای جدیدی است که موضوعات زیر را معرفی میکند: • پیشبینی متغیر برای تقریب ساختاریافته با رتبه پایین؛ • تخمین دادههای گمشده؛ • فیلتر و کنترل مبتنی بر داده؛ • نمایش و شناسایی مدل تصادفی؛ • شناسایی سیستمهای چندجملهای تغییرناپذیر زمان. ; و • شناسایی کور با مدل ورودی قطعی. این کتاب با اجرای نرم افزاری از روش های ارائه شده تکمیل می شود که این نظریه را مستقیماً در عمل قابل اجرا می کند. به ویژه، تمام نمونه های عددی کتاب در فایل های نمایشی گنجانده شده است و می تواند توسط خواننده تکثیر شود. این به تجربه عملی با تئوری و روش های دقیق می دهد. علاوه بر این، تمرینها و مثالهای MATLAB^®/Octave به خواننده کمک میکند تا تئوری را بهسرعت به صورت فصل به فصل جذب کند. "هر فصل با بخش جدیدی از تمرینات تکمیل می شود که راه حل های کاملی برای آن ارائه شده است." تقریب رتبه پایین (ویرایش دوم) بررسی گسترده ای از نظریه تقریب رتبه پایین و کاربردهای حوزه آن است که مستقیما مورد توجه محققان در شناسایی سیستم، کنترل و نظریه سیستم ها، جبر خطی عددی و بهینه سازی است. مشکلات و راه حل های تکمیلی آن را برای استفاده در آموزش دوره های تحصیلات تکمیلی در آن موضوعات نیز مناسب می کند.
This book is a comprehensive exposition of the theory, algorithms, and applications of structured low-rank approximation. Local optimization methods and effective suboptimal convex relaxations for Toeplitz, Hankel, and Sylvester structured problems are presented. A major part of the text is devoted to application of the theory with a range of applications from systems and control theory to psychometrics being described. Special knowledge of the application fields is not required. The second edition of /Low-Rank Approximation/ is a thoroughly edited and extensively rewritten revision. It contains new chapters and sections that introduce the topics of: • variable projection for structured low-rank approximation;• missing data estimation;• data-driven filtering and control;• stochastic model representation and identification;• identification of polynomial time-invariant systems; and• blind identification with deterministic input model. The book is complemented by a software implementation of the methods presented, which makes the theory directly applicable in practice. In particular, all numerical examples in the book are included in demonstration files and can be reproduced by the reader. This gives hands-on experience with the theory and methods detailed. In addition, exercises and MATLAB^® /Octave examples will assist the reader quickly to assimilate the theory on a chapter-by-chapter basis. “Each chapter is completed with a new section of exercises to which complete solutions are provided.” Low-Rank Approximation (second edition) is a broad survey of the Low-Rank Approximation theory and applications of its field which will be of direct interest to researchers in system identification, control and systems theory, numerical linear algebra and optimization. The supplementary problems and solutions render it suitable for use in teaching graduate courses in those subjects as well.
Preface......Page 6
Acknowledgements......Page 8
Contents......Page 9
Notation......Page 11
Classical and Behavioral Paradigms for Data Modeling......Page 14
Motivating Example for Low-Rank Approximation......Page 16
Overview of Applications......Page 20
Overview of Algorithms......Page 36
Notes and References......Page 40
Part I Linear Modeling Problems......Page 48
From Data to Models......Page 49
Static Model Representations......Page 50
Dynamic Model Representations......Page 58
Stochastic Model Representation......Page 66
Exact and Approximate Data Modeling......Page 71
Notes and References......Page 78
Exact Modeling......Page 83
Kung's Realization Method......Page 84
Impulse Response Computation......Page 88
Stochastic System Identification......Page 91
Missing Data Recovery......Page 98
Notes and References......Page 106
Approximate Modeling......Page 111
Unstructured Low-Rank Approximation......Page 112
Structured Low-Rank Approximation......Page 121
Nuclear Norm Heuristic......Page 131
Missing Data Estimation......Page 137
Notes and References......Page 142
Part II Applications and Generalizations......Page 147
Applications......Page 148
Model Reduction......Page 149
System Identification......Page 155
Approximate Common Factor of Two Polynomials......Page 160
Pole Placement by a Low-Order Controller......Page 165
Notes and References......Page 167
Data-Driven Filtering and Control......Page 172
Model-Based Versus Data-Driven Paradigms......Page 173
Missing Data Approach......Page 174
Estimation and Control Examples......Page 175
Solution via Matrix Completion......Page 177
Notes and References......Page 181
Nonlinear Modeling Problems......Page 184
A Framework for Nonlinear Data Modeling......Page 185
Nonlinear Low-Rank Approximation......Page 189
Computational Algorithms......Page 193
Identification of Polynomial Time-Invariant Systems......Page 201
Notes and References......Page 206
Dealing with Prior Knowledge......Page 209
Data Preprocessing......Page 210
Approximate Low-Rank Factorization......Page 216
Complex Least Squares with Constrained Phase......Page 221
Blind Identification with Deterministic Input Model......Page 227
Notes and References......Page 231
Total Least Squares......Page 234
Solutions to the Exercises......Page 242
Proofs......Page 267
Index......Page 277