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
دسته بندی: آمار ریاضی ویرایش: 1 نویسندگان: Rudolph W Preisendorfer سری: ISBN (شابک) : 0444430148 ناشر: Elsevier Science سال نشر: 1988 تعداد صفحات: 440 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 61 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل مؤلفه های اصلی در هواشناسی و اقیانوس شناسی: ریاضیات، نظریه احتمالات و آمار ریاضی، آمار ریاضی، آمار ریاضی کاربردی
در صورت تبدیل فایل کتاب Principal component analysis in meteorology and oceanography 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 در هواشناسی و اقیانوس شناسی 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 که تنها در نوع خود موجود است، PCA را از سادهترین شکل آن از طریق فرمالیسم انتزاعی، از جمله کاربردها، ارائه میکند. علاوه بر این، استفاده از PCA را بسیار فراتر از کاربردهای شناخته شده آن به میدان های اسکالر (مانند دما) یا برداری (مانند باد) گسترش می دهد. بسیاری از مطالب تاکنون منتشر نشده است، بنابراین قلمرو کاربرد PCA را تا حد زیادی گسترش می دهد، و پیشنهادات زیادی برای کاربردهای آینده آن ارائه شده است. نیمه اول کتاب، بحث جامعی از PCA، شامل مثالهای عددی حلشده، با مجموعه دادههای دو متغیره ساده آغاز میکند و تا PCA زمینههای چند متغیره پیش میرود. استفاده از قواعد انتخاب برای ایجاد اهمیت آماری مورد تاکید قرار گرفته است. نیمه دوم کتاب PCA را با سایر تکنیک های تحلیلی مانند تحلیل عاملی، تحلیل رگرسیون خطی و تحلیل عاملی متعارف مقایسه می کند. این کتاب همچنین استفاده از PCA را در ساخت مدلهای آماری-دینامیکی، در تشخیص الگوهای متحرک در مجموعه دادهها و در مطالعات فرآیندهای تصادفی ثابت مورد بحث قرار میدهد. این کتاب در درجه اول برای هواشناسان و اقیانوس شناسان در هر دو سطح دانشجویی و حرفه ای در نظر گرفته شده است، با این حال، محققان در زمینه های دیگر، به عنوان مثال. ژئوفیزیک و روانسنجی که اغلب مشکلات تجزیه و تحلیل دادهها مشابه مشکلات هواشناسی و اقیانوسشناسی دارند، باید این کتاب را مفید بدانند.
This book, the only one of its kind available, presents PCA from its simplest form through its abstract formalism, including applications. Furthermore, it extends the use of PCA far beyond its well-known applications to scalar (e.g. temperature) or vector (e.g. wind) fields. Much of the material is hitherto unpublished, thus greatly extending the realm of applicability of PCA, and many suggestions are made for its future application. The first half of the book provides a comprehensive discussion of PCA, including solved numerical examples, beginning with a simple bivariate data set and progressing to the PCA of multivariate fields. The use of selection rules to establish statistical significance is emphasized. The second half of the book compares PCA with other analysis techniques such as Factor Analysis, Linear Regression Analysis, and Canonical Factor Analysis. The book also discusses the use of PCA in construction of statistical-dynamical models, in the detection of moving patterns in data sets, and in studies of stationary random processes. The book is primarily intended for meteorologists and oceanographers at both student and professional levels, however, researchers in other fields, e.g. geophysics and psychometrics who often have data analysis problems similar to those in meteorology and oceanography, should find the book useful.
List of figures. List of tables. 1. Introduction. An overview of principal component analysis (PCA). Outline of the book. A brief history of PCA. Acknowledgements. 2. Algebraic foundations of PCA. Introductory example: Bivariate data sets. Principal component analysis: Real-valued scalar fields. Principal component analysis: Complex-valued scalar fields, and beyond. Bibliographic notes and miscellaneous topics. 3. Dynamical origins of PCA. One-dimensional harmonic motion. Two-dimensional wave motion. Dynamical origins of linear regression (LR). Random processes and Karhunen-Loève analysis. Stationary processes and PCA. Bibliographic notes. 4. Extensions of PCA to multivariate fields. Categories of data and modes of analysis. Local PCA of a general vector field. Global PCA of a general vector field: Time-modulation form. Global PCA of a general vector field: Space-modulation form. PCA of spectral components of a general vector field. Bibliographic notes and miscellaneous topics. 5. Selection rules for PCA. Random reference data sets. Dynamical origins of the dominant-variance selection rules. Rule A4. Rule N. Rule M. Comments on dominant-variance rules. Dynamical origins of the time-history selection rules. Rule KS2. Rules AMP&lgr;. Rule Q. Selection rules for vector-valued fields. A space-map selection rule. Bibliographic notes and miscellaneous topics. 6. Factor analysis (FA) and PCA. Comparison of PCA, LRA, and FA. The central problems of FA. Bibliographic notes. 7. Diagnostic procedures via PCA and FA. Dual interpretations of a data set: state space and sample space. Interpreting E-frames in PCA state space. Informative and uninformative E-frames in PCA state space. Rotating E-frames in PCA state space (varimax). Projections onto E-frames in PCA state space (procrustes). Interpreting A-frames in PCA sample space. Rotating A-fram