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: Celis O.S., Cuyt A., Verdonk B. سری: ناشر: سال نشر: 2007 تعداد صفحات: 14 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 567 Kb
در صورت تبدیل فایل کتاب Rational approximation of vertical segments 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 منطقی بخش های عمودی 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.
در بسیاری از کاربردها، مشاهدات مستعد اندازه گیری های نادقیق هستند. هنگام ساخت یک مدل بر اساس چنین دادههایی، به یک رویکرد تقریبی به جای درونیابی نیاز است. اغلب از تقریب حداقل مربعات استفاده می شود. در اینجا ما رویکرد متفاوتی را دنبال می کنیم. یک راه طبیعی برای مقابله با عدم قطعیت در داده ها با استفاده از فاصله عدم قطعیت است. فرض می کنیم که عدم قطعیت در متغیرهای مستقل ناچیز است و برای هر مشاهده می توان یک بازه عدم قطعیت داد که حاوی مقدار دقیق (ناشناخته) است. برای تقریب چنین دادههایی به دنبال توابعی میگردیم که تمام بازههای عدم قطعیت را قطع میکنند. در گذشته این مسئله برای چند جمله ای ها یا به طور کلی برای توابعی که در ضرایب مجهول خطی هستند مورد مطالعه قرار گرفته است. در اینجا ما مسئله را برای یک کلاس خاص از توابع که در ضرایب مجهول غیرخطی هستند، یعنی توابع گویا، مطالعه می کنیم. ما نشان میدهیم که چگونه میتوان مسئله را به یک مسئله برنامهریزی درجه دوم با یک تابع هدف کاملاً محدب کاهش داد، که یک تابع منطقی منحصربهفرد به دست میدهد که تمام فواصل عدم قطعیت را قطع میکند و برخی از ویژگیهای اضافی را برآورده میکند. در مقایسه با تقریب حداقل مربعات منطقی که به یک مسئله بهینهسازی غیرخطی کاهش میدهد که در آن تابع هدف ممکن است حداقلهای محلی زیادی داشته باشد، این رویکرد جدید را جذاب میکند.
In many applications, observations are prone to imprecise measurements. When constructing a model based on such data, an approximation rather than an interpolation approach is needed. Very often a least squares approximation is used. Here we follow a different approach. A natural way for dealing with uncertainty in the data is by means of an uncertainty interval. We assume that the uncertainty in the independent variables is negligible and that for each observation an uncertainty interval can be given which contains the (unknown) exact value. To approximate such data we look for functions which intersect all uncertainty intervals. In the past this problem has been studied for polynomials, or more generally for functions which are linear in the unknown coefficients. Here we study the problem for a particular class of functions which are nonlinear in the unknown coefficients, namely rational functions. We show how to reduce the problem to a quadratic programming problem with a strictly convex objective function, yielding a unique rational function which intersects all uncertainty intervals and satisfies some additional properties. Compared to rational least squares approximation which reduces to a nonlinear optimization problem where the objective function may have many local minima, this makes the new approach attractive.