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: P. Sanguansat
سری:
ISBN (شابک) : 9789535101826
ناشر: Intech
سال نشر: 2012
تعداد صفحات: 230
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
در صورت تبدیل فایل کتاب Principal Component Analysis - Engineering 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 تجزیه و تحلیل مؤلفه های اصلی - کاربردهای مهندسی 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.
00 preface_ Principal Component Analysis - Engineering Applications......Page 1
01 Principal Component Analysis – A Realization of Classification Success in Multi Sensor Data Fusion......Page 13
02 Applications of Principal Component Analysis (PCA) in Materials Science......Page 37
03 Methodology for Optimization\rof Polymer Blends Composition......Page 53
04 Applications of PCA to the Monitoring of\rHydrocarbon Content in Marine Sediments by\rMeans of Gas Chromatographic Measurements......Page 77
05 Application of Principal Component\rAnalysis in Surface Water Quality Monitoring......Page 95
06 EM-Based Mixture Models\rApplied to Video Event Detection......Page 113
07 Principal Component Analysis\rin the Development of Optical and\rImaging Spectroscopic Inspections\rfor Agricultural / Food Safety and Quality......Page 137
08 Application of Principal\rComponents Regression for Analysis of\rX-Ray Diffraction Images of Wood......Page 157
09 Principal Component Analysis in\rIndustrial Colour Coating Formulations......Page 171
10 Improving the Knowledge of Climatic\rVariability Patterns Using Spatio-Temporal\rPrincipal Component Analysis......Page 187
11 Automatic Target Recognition\rBased on SAR Images and\rTwo-Stage 2DPCA Features......Page 211