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: 1 نویسندگان: Universitätsprofessor Dr.-Ing. habil. Bernd Möller, Dr.-Ing. Uwe Reuter (auth.) سری: ISBN (شابک) : 9783540371731, 9783540371762 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2007 تعداد صفحات: 210 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب پیش بینی عدم قطعیت در مهندسی: آمار مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین، مکانیک نظری و کاربردی، پایش/تحلیل محیط، ساخت و ساز ساختمان، تهویه مطبوع، تبرید، نظریه احتمال و فرآیندهای تصادفی
در صورت تبدیل فایل کتاب Uncertainty Forecasting in Engineering 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 پیش بینی عدم قطعیت در مهندسی 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 به پیشبینی عدم قطعیت بر اساس رویکرد سریهای زمانی فازی، از جمله فرآیندهای تصادفی فازی و شبکههای عصبی مصنوعی میپردازد. در نظر گرفتن داده ها و عدم قطعیت اندازه گیری، پیش بینی را در طیف گسترده ای از کاربردها، به ویژه در زمینه های مهندسی، علوم محیطی و مهندسی عمران، افزایش می دهد.
داده های نامطمئن با استفاده از یک نمایش فازی افزایشی جدید که امکان تخمین کامل و دقیق عدم قطعیت را فراهم می کند.
این کتاب برای مهندسین و همچنین متخصصانی که در زمینه های مرتبط کار می کنند، طراحی شده است. روش های توصیفی، مدل سازی و پیش بینی مربوط به سری های زمانی فازی به تفصیل معرفی و توضیح داده شده است. تاکید بر پیشبینی با کمک فرآیندهای تصادفی فازی، مانند فرآیندهای ARMA فازی و فرآیندهای نویز سفید فازی، و همچنین پیشبینی مبتنی بر شبکههای عصبی مصنوعی است.
همه الگوریتمهای عددی به طور جامع توصیف و با استفاده از مثالهای عملی نشان داده شدهاند.
This book deals with uncertainty forecasting based on a fuzzy time series approach, including fuzzy random processes and artificial neural networks. A consideration of data and measurement uncertainty enhances forecasting in a wide range of applications, particularly in the fields of engineering, environmental science and civil engineering.
Uncertain data are described by means of a new incremental fuzzy representation which permits a complete and accurate estimation of uncertainty.
The book is aimed at engineers as well as professionals working in related fields. Descriptive, modeling and forecasting methods pertaining to fuzzy time series are introduced and explained in detail. Emphasis is placed on forecasting with the aid of fuzzy random processes, such as fuzzy ARMA processes and fuzzy white-noise processes, as well as forecasting based on artificial neural networks.
All numerical algorithms are comprehensively described and demonstrated by way of practical examples.
Contents......Page 7
Abbrevations......Page 9
1.1 Application of Time Series for Forecasting in Engineering......Page 14
1.2 Data Uncertainty and Fuzzy Time Series......Page 18
1.3 Examples of Fuzzy Time Series......Page 20
2.1 Fuzzy Variables......Page 22
2.1.1 Classical and Incremental Discretization of Fuzzy Variables......Page 24
2.1.2 Incremental Fuzzy Arithmetic......Page 29
2.1.3 Subtraction of Fuzzy Variables......Page 31
2.1.4 Distance between Fuzzy Variables......Page 35
2.1.5 Fuzzy Functions......Page 36
2.2 Fuzzy Random Variables......Page 38
2.2.1 Classical and Incremental Discretization of Fuzzy Random Variables......Page 39
2.2.2 Fuzzy Probability Distribution Functions of Fuzzy Random Variables......Page 43
2.2.3 Characteristic Moments......Page 57
2.2.4 Monte Carlo Simulation of Fuzzy Random Variables......Page 63
2.3 Fuzzy Random Processes......Page 66
3.1 Plot of Fuzzy Time Series......Page 71
3.2 Fuzzy Component Model......Page 75
3.3 Stationary Fuzzy Time Series......Page 81
3.4 Transformation of Fuzzy Time Series Using Filters......Page 86
3.4.1 Smoothing of Fuzzy Time Series......Page 87
3.4.2 Fuzzy Difference Filter......Page 89
3.4.3 Extended Smoothing and Extended Fuzzy Difference Filter......Page 90
3.5.1 Fuzzy White-Noise Processes......Page 91
3.5.2 Fuzzy Moving Average Processes......Page 95
3.5.3 Fuzzy Autoregressive Processes......Page 97
3.5.4 Fuzzy Autoregressive Moving Average Processes......Page 98
3.5.5 Specification of Model Order......Page 101
3.5.6 Parameter Estimation......Page 108
3.6.1 The Basics of Artificial Neural Networks......Page 118
3.6.2 Multilayer Perceptron for Fuzzy Variables......Page 119
3.6.3 Backpropagation Algorithm......Page 123
3.6.4 Neural Network Architecture for Fuzzy Time Series......Page 130
3.6.5 Conditioning of the Fuzzy Data......Page 136
4.1 Underlying Concept......Page 142
4.2.1 Optimum Forecast......Page 145
4.2.2 Fuzzy Forecast Intervals......Page 148
4.2.3 Fuzzy Random Forecast......Page 152
4.3 Forecasting on the Basis of Artificial Neural Networks......Page 155
4.3.1 Optimum Forecast......Page 156
4.3.2 Fuzzy Forecast Intervals......Page 158
4.3.3 Fuzzy Random Forecast......Page 161
5.1 Model-Free Forecasting......Page 164
5.2 Model-Based Forecasting......Page 166
5.3 Applications......Page 174
5.3.1 Forecasting of Structural Actions......Page 175
5.3.2 Forecasting of Structural Responses......Page 188
References......Page 203
E......Page 208
F......Page 209
P......Page 210
W......Page 211