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: Nan Chen
سری: Synthesis Lectures on Mathematics & Statistics
ISBN (شابک) : 3031222482, 9783031222481
ناشر: Springer
سال نشر: 2023
تعداد صفحات: 207
[208]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Stochastic Methods for Modeling and Predicting Complex Dynamical Systems: Uncertainty Quantification, State Estimation, and Reduced-Order Models 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 روشهای تصادفی برای مدلسازی و پیشبینی سیستمهای دینامیکی پیچیده: کمیسازی عدم قطعیت، تخمین حالت، و مدلهای مرتبه کاهشیافته 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 خوانندگان را قادر میسازد تا سیستمهای دینامیکی پیچیده را با استفاده از روشهای جدید با ابزارهای تصادفی درک، مدلسازی و پیشبینی کنند. نویسنده ترکیبی منحصر به فرد از مهارتهای مدلسازی کیفی و کمی، روشهای محاسباتی کارآمد جدید، نظریه ریاضی دقیق، و همچنین شهود فیزیکی و تفکر را ارائه میکند. بر تعادل بین کارایی محاسباتی و دقت مدلسازی تأکید میشود و ایدههایی برای ساخت مدلهای مفید در عمل به خوانندگان ارائه میدهد. مدلسازی موفقیتآمیز سیستمهای پیچیده مستلزم استفاده جامع از رویکردهای مدلسازی کمی و کیفی، روشهای محاسباتی کارآمد، شهود و تفکر فیزیکی، و همچنین تئوریهای دقیق ریاضی است. به این ترتیب، ابزارهای ریاضی برای درک، مدلسازی و پیشبینی سیستمهای دینامیکی پیچیده با استفاده از ابزارهای تصادفی مناسب مختلف ارائه شدهاند. هر دو رویکرد نظری و عددی گنجانده شدهاند که به خوانندگان اجازه میدهد روشهای مناسب را در موقعیتهای عملی مختلف انتخاب کنند. نویسنده هنگام معرفی ابزارهای مختلف ریاضی و تصادفی مثالها و انگیزههای عملی ارائه میکند و ریاضیات، آمار، نظریه اطلاعات، علوم محاسباتی و علم داده را ادغام میکند. علاوه بر این، نویسنده نحوه انتخاب و کاربرد ابزارهای ریاضی مناسب را در چندین رشته از جمله ریاضیات محض و کاربردی، فیزیک، مهندسی، علوم عصبی، علم مواد، اقلیم و جو، علوم اقیانوسها و بسیاری دیگر مورد بحث قرار میدهد. خوانندگان نه تنها تکنیک های دقیق برای مدل سازی و پیش بینی تصادفی را یاد می گیرند، بلکه شهود خود را نیز توسعه می دهند. موضوعات مهم در مدلسازی و پیشبینی از جمله رویدادهای شدید، سیستمهای با ابعاد بالا و ویژگیهای چند مقیاسی مورد بحث قرار میگیرند.
This book enables readers to understand, model, and predict complex dynamical systems using new methods with stochastic tools. The author presents a unique combination of qualitative and quantitative modeling skills, novel efficient computational methods, rigorous mathematical theory, as well as physical intuitions and thinking. An emphasis is placed on the balance between computational efficiency and modeling accuracy, providing readers with ideas to build useful models in practice. Successful modeling of complex systems requires a comprehensive use of qualitative and quantitative modeling approaches, novel efficient computational methods, physical intuitions and thinking, as well as rigorous mathematical theories. As such, mathematical tools for understanding, modeling, and predicting complex dynamical systems using various suitable stochastic tools are presented. Both theoretical and numerical approaches are included, allowing readers to choose suitable methods in different practical situations. The author provides practical examples and motivations when introducing various mathematical and stochastic tools and merges mathematics, statistics, information theory, computational science, and data science. In addition, the author discusses how to choose and apply suitable mathematical tools to several disciplines including pure and applied mathematics, physics, engineering, neural science, material science, climate and atmosphere, ocean science, and many others. Readers will not only learn detailed techniques for stochastic modeling and prediction, but will develop their intuition as well. Important topics in modeling and prediction including extreme events, high-dimensional systems, and multiscale features are discussed.
Preface Acknowledgements Contents 1 Stochastic Toolkits 1.1 Review of Basic Probability Concepts 1.1.1 Random Variable, Probability Measure, and Probability Density Function (PDF) 1.1.2 Gaussian Distribution 1.1.3 Moments and Non-Gaussian Distributions 1.1.4 Law of Large Numbers and Central Limit Theorem 1.2 Stochastic Processes 1.3 Stochastic Differential Equations (SDEs) 1.3.1 Itô Stochastic Integral 1.3.2 Itô's Formula 1.3.3 Fokker-Planck Equation 1.4 Markov Jump Processes 1.4.1 A Motivating Example of Intermittent Time Series 1.4.2 Finite-State Markov Jump Process 1.4.3 Master Equation 1.4.4 Switching Times 1.5 Chaotic Systems 2 Introduction to Information Theory 2.1 Shannon's Entropy and Maximum Entropy Principle 2.1.1 Shannon's Intuition from the Theory of Communication 2.1.2 Definition of Shannon's Entropy 2.1.3 Shannon's Entropy in Gaussian Framework 2.1.4 Maximum Entropy Principle 2.1.5 Coarse Graining and the Loss of Information 2.2 Relative Entropy, Quantifying the Model Error and Additional … 2.2.1 Definition of Relative Entropy 2.2.2 Relative Entropy in Gaussian Framework 2.2.3 Maximum Relative Entropy Principle 2.3 Mutual Information 2.3.1 Definition of Mutual Information 2.3.2 Mutual Information in Gaussian Framework 2.4 Relationship Between Information and Path-Wise Measurements 2.4.1 Two Widely Used Path-Wise Measurements: Root-Mean-Square Error (RMSE) and Pattern Correction 2.4.2 Relationship Between Shannon's Entropy of Residual and RMSE 2.4.3 Relationship Between Mutual Information and Pattern Correlation 2.4.4 Why Relative Entropy is Important? 3 Basic Stochastic Computational Methods 3.1 Monte Carlo Method 3.1.1 The Basic Idea 3.1.2 A Simple Example 3.1.3 Error Estimates for the Monte Carlo Method 3.2 Numerical Schemes for Solving SDEs 3.2.1 Euler-Maruyama Scheme 3.2.2 Milstein Scheme 3.3 Ensemble Method for Solving the Statistics of SDEs 3.4 Kernel Density Estimation 4 Simple Gaussian and Non-Gaussian SDEs 4.1 Linear Gaussian SDEs 4.1.1 Reynolds Decomposition and Time Evolution of the Moments 4.1.2 Statistical Equilibrium State and Decorrelation Time 4.1.3 Fokker-Planck Equation 4.2 Non-Gaussian SDE: Linear Model with Multiplicative Noise 4.2.1 Solving the Exact Path-Wise Solution 4.2.2 Equilibrium Distribution 4.2.3 Time Evolution of the Moments 4.3 Non-Gaussian SDE: Scalar Model with Cubic Nonlinearity and Correlated Additive and Multiplicative (CAM) Noise 4.3.1 Equilibrium PDF 4.3.2 Time Evolution of the Moments 4.3.3 Quasi-Gaussian Closure for the Moment Equations Associated with the Cubic Model 4.4 Nonlinear SDEs with Exactly Solvable Conditional Moments 4.4.1 The Coupled Nonlinear SDE System 4.4.2 Derivation of the Exact Solvable Conditional Moments 5 Data Assimilation 5.1 Introduction 5.2 Kalman Filter 5.2.1 One-Dimensional Kalman Filter: Basic Idea of Data Assimilation 5.2.2 A Simple Example 5.2.3 Multi-Dimensional Case 5.2.4 Some Remarks 5.3 Nonlinear Filters 5.3.1 Extended Kalman Filter 5.3.2 Ensemble Kalman Filter 5.3.3 A Numerical Example 5.3.4 Particle Filter 5.4 Continuous-In-Time Version: Kalman-Bucy Filter 5.5 Other Data Assimilation Methods and Applications 6 Prediction 6.1 Ensemble Forecast 6.1.1 Trajectory Forecast Versus Ensemble Forecast 6.1.2 Lead Time and Ensemble Mean Forecast Time Series 6.2 Model Error, Internal Predictability and Prediction Skill 6.2.1 Important Factors for Useful Prediction 6.2.2 Quantifying the Predictability and Model Error via Information Criteria 6.3 Procedure of Designing Suitable Forecast Models 6.4 Predicting Model Response via Fluctuation-Dissipation Theorem 6.4.1 The FDT Framework 6.4.2 Approximate FDT Methods 6.4.3 A Nonlinear Example 6.5 Finding the Most Sensitive Change Directions via Information Theory 6.5.1 The Mathematical Framework Using Fisher Information 6.5.2 Examples 6.5.3 Practical Strategies Utilizing FDT 7 Data-Driven Low-Order Stochastic Models 7.1 Motivations 7.2 Complex Ornstein–Uhlenbeck (OU) Process 7.2.1 Calibration of the OU Process 7.2.2 Compensating the Effect of Complicated Nonlinearity by Simple Stochastic Noise 7.2.3 Application: Reproducing the Statistics of the Two-Layer Quasi-Geostrophic Turbulence 7.3 Combining Stochastic Models with Linear Analysis in PDEs to Model … 7.4 Linear Stochastic Model with Multiplicative Noise 7.4.1 Exact Formula for Model Calibration 7.4.2 Approximating Highly Nonlinear Time Series 7.4.3 Application: Characterizing an El Niño Index 7.5 Stochastically Parameterized Models 7.5.1 The Necessity of Stochastic Parameterization 7.5.2 The Stochastic Parameterized Extended Kalman Filter (SPEKF) Model 7.5.3 Filtering Intermittent Time Series 7.6 Physics-Constrained Nonlinear Regression Models 7.6.1 Motivations 7.6.2 The General Framework of Physics-Constrained Nonlinear Regression Models 7.6.3 Comparison of the Models with and Without Physics Constraints 7.7 Discussion: Linear and Gaussian Approximations for Nonlinear Systems 8 Conditional Gaussian Nonlinear Systems 8.1 Overview of the Conditional Gaussian Nonlinear System (CGNS) 8.1.1 The Mathematical Framework 8.1.2 Examples of Complex Dynamical Systems Belonging to the CGNS 8.1.3 The Mathematical and Physical Reasonings Behind the CGNS 8.2 Closed Analytic Formulae for Solving the Conditional Statistics 8.2.1 Nonlinear Optimal Filtering 8.2.2 Nonlinear Optimal Smoothing 8.2.3 Nonlinear Optimal Conditional Sampling 8.2.4 Example: Comparison of Filtering, Smoothing and Sampling 8.3 Lagrangian Data Assimilation 8.3.1 The Mathematical Setup 8.3.2 Filtering Compressible and Incompressible Flows 8.3.3 Uncertainty Quantification Using Information Theory 8.4 Solving High-Dimensional Fokker-Planck Equations 8.4.1 The Basic Algorithm 8.4.2 A Simple Example 8.4.3 Block Decomposition 8.4.4 Statistical Symmetry 8.4.5 Application to FDT 8.5 Application: Modeling and Predicting Monsoon Intraseasonal Oscillation (MISO) 8.5.1 MISO Indices from a Nonlinear Data Decomposition Technique 8.5.2 Data-Driven Physics-Constrained Nonlinear Model 8.5.3 Data Assimilation and Prediction 9 Parameter Estimation with Uncertainty Quantification 9.1 Markov Chain Monte Carlo 9.1.1 The Metropolis Algorithm 9.1.2 A Simple Example 9.1.3 Parameter Estimation via MCMC 9.1.4 MCMC with Data Augmentation 9.2 Expectation-Maximization 9.2.1 The Mathematical Framework 9.2.2 Details of the Quadratic Optimization in the Maximization Step 9.2.3 Incorporating the Constraints into the EM Algorithm 9.2.4 A Numerical Example 9.3 Parameter Estimation via Data Assimilation 9.3.1 Two Parameter Estimation Algorithms 9.3.2 Estimating One Additive Parameter in a Linear Scalar Model 9.3.3 Estimating One Multiplicative Parameter in a Linear Scalar Model 9.3.4 Estimating Parameters in a Cubic Nonlinear Scalar Model 9.3.5 A Numerical Example 9.4 Learning Complex Dynamical Systems with Sparse Identification 9.4.1 Constrained Optimization for Sparse Identification 9.4.2 Using Information Theory for Model Identification with Sparsity 9.4.3 Partial Observations and Stochastic Parameterizations 10 Combining Stochastic Models with Machine Learning 10.1 Machine Learning 10.2 Data Assimilation with Machine Learning Forecast Models 10.2.1 Using Machine Learning as Surrogate Models for Data Assimilation 10.2.2 Using Data Assimilation to Provide High-Quality Training Data of Machine Learning Models 10.3 Machine Learning for Stochastic Closure and Stochastic Parameterization 10.4 Statistical Forecast Using Machine Learning 10.4.1 Forecasting the Moment Equations with Neural Networks 10.4.2 Incorporating Additional Forecast Uncertainty in the Machine Learning Path-Wise Forecast Results 11 Instruction Manual for the MATLAB Codes [DELETE] References -12pt Index