دانلود کتاب انتشار عدم قطعیت فاصله ای و احتمالی در پردازش داده های مرتبط با زیرساخت سایبری و تلفیق داده ها بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
نام کتاب : Propagation of Interval and Probabilistic Uncertainty in Cyberinfrastructure-related Data Processing and Data Fusion
ویرایش : 1
عنوان ترجمه شده به فارسی : انتشار عدم قطعیت فاصله ای و احتمالی در پردازش داده های مرتبط با زیرساخت سایبری و تلفیق داده ها
سری : Studies in Systems, Decision and Control 15
نویسندگان : Christian Servin, Vladik Kreinovich (auth.)
ناشر : Springer International Publishing
سال نشر : 2015
تعداد صفحات : 0
ISBN (شابک) : 9783319126272 , 9783319126289
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 2 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
در نمونههای مختلف از علوم زمین گرفته تا علوم محیطی، این
کتاب توضیح میدهد که چگونه میتوان توصیف کافی از عدم قطعیت ایجاد کرد، چگونه الگوریتمهای نیمه ابتکاری برای پردازش عدم قطعیت را توجیه کرد. و چگونه می توان این الگوریتم ها را
از نظر محاسباتی کارآمدتر کرد. این توضیح می دهد که از چه نظر رویکرد موجود به
عدم قطعیت به عنوان ترکیبی از اجزای تصادفی و سیستماتیک تنها یک تقریب
است، یک مدل سه جزئی مناسب تری با مدل اضافی ارائه می دهد. p>
مولفه خطای دورهای، و توضیح میدهد که چگونه تکنیکهای انتشار عدم قطعیت را میتوان
به این مدل تعمیم داد. این کتاب توجیهی برای یک تکنیک عملاً کارآمد
ابتکاری (بر اساس تصمیم گیری فازی) ارائه می دهد. توضیح می دهد که چگونه می توان پیچیدگی محاسباتی
پردازش عدم قطعیت را کاهش داد. این کتاب همچنین نشان می دهد که چگونه می توان
در نظر گرفت که در زندگی واقعی، اطلاعات مربوط به عدم قطعیت اغلب فقط
تا حدی شناخته شده است، و در چندین مثال عملی، چگونگی استخراج اطلاعات ناقص
در مورد عدم قطعیت از دادههای موجود وجود ندارد.
On various examples ranging from geosciences to environmental sciences, this
book explains how to generate an adequate description of uncertainty, how to justify
semiheuristic algorithms for processing uncertainty, and how to make these algorithms
more computationally efficient. It explains in what sense the existing approach to
uncertainty as a combination of random and systematic components is only an
approximation, presents a more adequate three-component model with an additional
periodic error component, and explains how uncertainty propagation techniques can
be extended to this model. The book provides a justification for a practically efficient
heuristic technique (based on fuzzy decision-making). It explains how the computational
complexity of uncertainty processing can be reduced. The book also shows how to
take into account that in real life, the information about uncertainty is often only
partially known, and, on several practical examples, explains how to extract the missing
information about uncertainty from the available data.