iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A27 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A37Galaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A57 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 15Redmi Note 15 5GRedmi Note 15 ProRedmi Note 15 Pro 5GRedmi Note 15 Pro Plus 5GRedmi Note 8 ProRedmi Note 9
- Startseite
Bücher Englische Bücher Wissen & Bildung Naturwissenschaft, Medizin, Informatik, Technik Mathematik Solving Regularized Total Least Squares Problems Based on Eigenproblems
Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Solving Regularized Total Least Squares Problems Based on Eigenproblems
Jörg Lampe (Unbekannter Einband, Englisch)
Optischer Zustand
Beschreibung
Im ersten Teil der Arbeit wird grundlegendes Wissen zur Regularisierung von linearen Ausgleichsproblemen rekapituliert. Weiterhin wird eine bestehende Methode zum Lösen von Trust-Region Problemen erheblich verbessert.
Im zweiten Teil wird zunächst die Theorie der totalen Ausgleichsprobleme (TLS) aufgearbeitet und es wird ein Überblick über mögliche Erweiterungen gegeben. Danach wird die… Regularisierung von TLS Problemen durch Abschneiden der SVD und mit Hilfe von Krylov-Methoden erörtert. Einige Methoden zum Lösen des Tikhonov TLS Problems werden diskutiert.
Der Schwerpunkt der Dissertation sind quadratisch restringierte TLS (RTLS) Probleme. Es werden zwei iterative Verfahren zur Lösung der Bedingungen 1. Ordnung tiefgehend analysiert. Das erste Verfahren führt auf eine Folge von quadratischen Problemen und das zweite auf eine Folge von linearen Eigenwertaufgaben. Für die RTLSQEP Methode, eine Fixpunkt-Iteration basierend auf quadratischen Eigenwertaufgaben, wurde globale Konvergenz gegen die RTLS Lösung gezeigt. Durch die Charakterisierung der größten reellen Eigenwerte der QEPs kann die Lösung durch ein generalisiertes Trust-Region Problem beschrieben werden. Das zweite Verfahren ist die RTLSEVP Methode. Um Konvergenz zu gewährleisten wird eine Hilfsfunktion g eingeführt. Diese Funktion wurde detailliert untersucht, was zu einem weiteren Zusammenhang führt: die RTLS Lösung kann auch als spezielles TLS Problem charakterisiert werden.
Die Algorithmen RTLSQEP und RTLSEVP zum Lösen von RTLS Problemen sind sehr effizient wenn sie mit iterativen Projektionsverfahren in der inneren Schleife kombiniert werden. Da eine Folge von konvergierenden Eigenwertproblemen gelöst werden muss, spielt der Aspekt der Wiederverwendung bereits gesammelter Information eine wichtige Rolle. Hierbei ist der Nichtlineare Arnoldi Algorithmus die Methode der Wahl, sie ermöglicht das Recycling des aufgebauten Suchraumes innerhalb des ganzen iterativen Prozesses. Die Komplexität der entwickelten Algorithmen ist von der Ordnung von Matrix-Vektor Multiplikationen, also auch geeignet für sehr große Probleme. Es wird eine effizienten Implementierung von allen Teilen der Algorithmen beschrieben und an Beispielen demonstriert.
Abschließend werden zwei Methoden zum Erstellen einer RTLS L-Kurve vorgestellt mit dessen Hilfe der Regularisierungsparameter bestimmt werden kann. Das Aufstellen der L-Kurve erfordert das Lösen einer Folge von RTLS Problemen. Dabei wird der Vorteil des Nichtlinearen Arnoldis noch deutlicher: Die Wiederverwendung des Suchraumes, nicht nur innerhalb eines RTLS Problems sondern während der ganzen Folge. Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Technische Daten
Erscheinungsdatum
04.10.2010
Sprache
Englisch
EAN
9783866245044
Herausgeber
Winter Industries
Serien- oder Bandtitel
Dissertation Classic
Sonderedition
Nein
Autor
Jörg Lampe
Seitenanzahl
177
Auflage
1
Einbandart
Unbekannter Einband
Bandzählung
1604
Schlagwörter
Ill-posed, Nonlinear Arnoldi, Regularization
Höhe
210 mm
Breite
15 cm
Auf gebrauchten Artikeln oder Originalverpackungen sichtbare Umwelt-, Nachhaltigkeits- oder Zertifizierungsangaben stammen aus der ursprünglichen Herstellerkennzeichnung. Sie stellen keine eigene aktuelle Umwelt- oder Nachhaltigkeitsaussage von rebuy dar. Maßgeblich für das Angebot sind ausschließlich die von rebuy in der Artikelbeschreibung angegebenen Produkteigenschaften.
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen