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: [1 ed.]
نویسندگان: Marianna Bolla. Tamás Szabados
سری:
ISBN (شابک) : 9780367569327, 9781003107293
ناشر: Chapman and Hall/CRC
سال نشر: 2021
تعداد صفحات: [296]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب Multidimensional Stationary Time Series: Dimension Reduction and Prediction 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 سری زمانی ثابت چند بعدی: کاهش ابعاد و پیش بینی 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 بررسی مختصری از تئوری سریهای زمانی چند بعدی (چند متغیری)، ضعیف ثابت، با تأکید بر کاهش ابعاد و پیشبینی ارائه میدهد. درک مطالب تحت پوشش نیاز به بلوغ ریاضی خاص، درجه ای از دانش در تئوری احتمالات، جبر خطی، و همچنین در تجزیه و تحلیل واقعی، پیچیده و تابعی دارد. برای این کار، ادبیات ذکر شده و پیوست حاوی تمام مطالب لازم است. ابزارهای اصلی کتاب شامل تجزیه و تحلیل هارمونیک، برخی جبر انتزاعی و روشهای فضای حالت است: فیلترهای خطی ثابت با زمان، فاکتورسازی چگالیهای طیفی منطقی و روشهایی که رتبه ماتریس چگالی طیفی را کاهش میدهند.
* برای یافتن قیاس بین نتایج کلاسیک (Cramer، Wold، Kolmogorov،
Wiener، Kálman، Rozanov) و روشهای بهروز برای کاهش بعد در
سریهای زمانی چند بعدی استفاده میشود.
* یک درمان یکپارچه برای زمان و استنتاج حوزه فرکانس با استفاده
از ماشینهای تحلیل پیچیده و هارمونیک، تجزیه طیفی و اسمیت--مک
میلان. تشابهاتی را بین مفاهیم و محاسبات حوزه زمان و فرکانس
برقرار می کند.
* تجزیه وولد و طبقه بندی کولموگروف را با هم، با تمایز بین
انواع مختلف تکینگی ها، مورد بحث قرار می دهد. درک گذشته دور به
ما کمک می کند تا موقعیت ایده آلی را که در حال حاضر بخشی منظم
وجود دارد، توصیف کنیم. مثال ها و ساخت و سازها نیز آورده شده
است.
* یک ساختار کلی مشترک برای مدلهای فضای حالت، الگوریتمهای
پیشبینی و نوآوری با مفاهیم و اصول یکپارچه ایجاد میکند که
برای سریهای زمانی فرکانس بالا در زندگی واقعی قابل استفاده
است.
این یک همراه ایده آل برای دانشجویان تحصیلات تکمیلی است که نظریه سری های زمانی چند متغیره را مطالعه می کنند و محققانی که در این زمینه کار می کنند.
This book gives a brief survey of the theory of multidimensional (multivariate), weakly stationary time series, with emphasis on dimension reduction and prediction. Understanding the covered material requires a certain mathematical maturity, a degree of knowledge in probability theory, linear algebra, and also in real, complex and functional analysis. For this, the cited literature and the Appendix contain all necessary material. The main tools of the book include harmonic analysis, some abstract algebra, and state space methods: linear time-invariant filters, factorization of rational spectral densities, and methods that reduce the rank of the spectral density matrix.
* Serves to find analogies between classical results (Cramer,
Wold, Kolmogorov, Wiener, Kálmán, Rozanov) and up-to-date
methods for dimension reduction in multidimensional time
series.
* Provides a unified treatment for time and frequency domain
inferences by using machinery of complex and harmonic
analysis, spectral and Smith--McMillan decompositions.
Establishes analogies between the time and frequency domain
notions and calculations.
* Discusses the Wold's decomposition and the Kolmogorov's
classification together, by distinguishing between different
types of singularities. Understanding the remote past helps
us to characterize the ideal situation where there is a
regular part at present. Examples and constructions are also
given.
* Establishes a common outline structure for the state space
models, prediction, and innovation algorithms with unified
notions and principles, which is applicable to real-life high
frequency time series.
It is an ideal companion for graduate students studying the theory of multivariate time series and researchers working in this field.