Random Iterative Models

توسعه اخیر محاسبات و اتوماسیون منجر به پیشرفت‌های سریع در تئوری و عمل روش‌های بازگشتی برای تثبیت، شناسایی و کنترل مدل‌های تصادفی پیچیده (هدایت موشک یا هواپیما، سازمان‌دهی کانال‌های پخش چنددسترسی، خودآموزی شبکه های عصبی ...). این کتاب دید وسیعی از آن روش ها ارائه می دهد: تقریب تصادفی، مدل های خطی و غیر خطی، زنجیره های مارکوف کنترل شده، تخمین و کنترل تطبیقی، یادگیری ... ریاضیدانانی که با مبانی احتمال و آمار آشنا هستند در اینجا یک خود حاوی شرح بسیاری از رویکردها به آن نظریه ها، برخی از آنها کلاسیک، برخی از آنها به تحقیقات فعلی و آینده منجر می شود. هر فصل می تواند مواد اصلی یک دوره از سخنرانی ها را تشکیل دهد. مهندسانی که مجبور به کنترل سیستم های پیچیده هستند می توانند الگوریتم های جدیدی را با عملکرد خوب و محاسبات نسبتاً آسان کشف کنند.

The recent development of computation and automation has lead to quick advances in the theory and practice of recursive methods for stabilization, identification and control of complex stochastic models (guiding a rocket or a plane, orgainizing multiaccess broadcast channels, self-learning of neural networks ...). This book provides a wide-angle view of those methods: stochastic approximation, linear and non-linear models, controlled Markov chains, estimation and adaptive control, learning ... Mathematicians familiar with the basics of Probability and Statistics will find here a self-contained account of many approaches to those theories, some of them classical, some of them leading up to current and future research. Each chapter can form the core material for a course of lectures. Engineers having to control complex systems can discover new algorithms with good performances and reasonably easy computation.