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: Nina Golyandina, Anton Korobeynikov, Anatoly Zhigljavsky سری: ISBN (شابک) : 9783662573808 ناشر: Springer سال نشر: 2018 تعداد صفحات: 281 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Singular Spectrum Analysis with R 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 طیف منفرد با R 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 جلد جامع و با مصور فراوان، مطالب بهروزی را در مورد تجزیه و تحلیل طیف منفرد (SSA) ارائه میکند. SSA یک روش شناخته شده برای تحلیل و پیش بینی سری های زمانی است. از آنجایی که اخیراً، SSA برای تجزیه و تحلیل تصاویر دیجیتال و سایر اشیاء که لزوماً به صورت مسطح یا مستطیل نیستند و ممکن است حاوی شکاف باشند نیز استفاده می شود. SSA چند منظوره است و به طور طبیعی هر دو تکنیک بدون مدل و پارامتری را ترکیب می کند، که آن را به روشی بسیار خاص و جذاب برای حل طیف گسترده ای از مشکلات ناشی از مناطق مختلف، به ویژه مشکلات مربوط به سری های زمانی و تصاویر دیجیتال تبدیل می کند. یک پیاده سازی موثر، راحت و در دسترس از SSA توسط R-package Rssa ارائه شده است که از CRAN در دسترس است و در این کتاب بررسی شده است. کتاب (الف) که توسط آماردانان برجسته ای که تجربه زیادی با SSA دارند، نوشته شده است، روش به روز SSA، از جمله پسوندهای چند بعدی، را به زبانی که برای دایره بزرگی از کاربران قابل دسترسی است، ارائه می کند، (ب) نسخه های مختلف SSA را در یک ابزار واحد، (ج) وظایف متنوعی را نشان میدهد که SSA میتواند برای آنها استفاده شود، (د) روشها و الگوریتمهای اصلی SSA را به طور رسمی توصیف میکند، و (ه) آموزشهایی در مورد بسته Rssa و استفاده از SSA ارائه میدهد. این کتاب منبع ارزشمندی را برای خوانندگان بسیار گسترده ای از جمله آماردانان حرفه ای، متخصصان پردازش سیگنال و تصویر، و همچنین متخصصان رشته های کاربردی متعددی که علاقه مند به استفاده از روش های آماری برای تجزیه و تحلیل سری های زمانی، پیش بینی، پردازش سیگنال و تصویر هستند، ارائه می دهد. این کتاب در سطحی نوشته شده است که برای مخاطبان وسیعی قابل دسترسی است و شامل نمونههای فراوانی است. از این رو می توان از آن به عنوان یک کتاب درسی برای دوره های کارشناسی و کارشناسی ارشد در مورد تجزیه و تحلیل سری های زمانی و پردازش سیگنال استفاده کرد.
This comprehensive and richly illustrated volume provides up-to-date material on Singular Spectrum Analysis (SSA). SSA is a well-known methodology for the analysis and forecasting of time series. Since quite recently, SSA is also being used to analyze digital images and other objects that are not necessarily of planar or rectangular form and may contain gaps. SSA is multi-purpose and naturally combines both model-free and parametric techniques, which makes it a very special and attractive methodology for solving a wide range of problems arising in diverse areas, most notably those associated with time series and digital images. An effective, comfortable and accessible implementation of SSA is provided by the R-package Rssa, which is available from CRAN and reviewed in this book. Written by prominent statisticians who have extensive experience with SSA, the book (a) presents the up-to-date SSA methodology, including multidimensional extensions, in language accessible to a large circle of users, (b) combines different versions of SSA into a single tool, (c) shows the diverse tasks that SSA can be used for, (d) formally describes the main SSA methods and algorithms, and (e) provides tutorials on the Rssa package and the use of SSA. The book offers a valuable resource for a very wide readership, including professional statisticians, specialists in signal and image processing, as well as specialists in numerous applied disciplines interested in using statistical methods for time series analysis, forecasting, signal and image processing. The book is written on a level accessible to a broad audience and includes a wealth of examples; hence it can also be used as a textbook for undergraduate and postgraduate courses on time series analysis and signal processing.