دانلود کتاب Stochastic approximation and recursive algorithms and applications

ترجمه فارسی توضیحات (ترجمه ماشینی)

الگوریتم ها و کاربردهای تقریب تصادفی و بازگشتی

این کتاب توسعه کاملی از نظریه مدرن تقریب تصادفی یا الگوریتم‌های تصادفی بازگشتی را برای مسائل محدود و غیرمحدود ارائه می‌کند. توسعه کامل هر دو روش احتمال یک و همگرایی ضعیف برای فرآیندهای نویز بسیار کلی وجود دارد. اثبات همگرایی از روش ODE، قدرتمندترین روش تا به امروز استفاده می کند، که با آن رفتار مجانبی با رفتار حدی یک ODE متوسط ​​مشخص می شود. مفروضات و روش های اثبات برای پوشش نیازهای برنامه های کاربردی اخیر طراحی شده اند. توسعه از مسائل ساده به پیچیده ادامه می‌یابد، و به ایده‌های زیربنایی اجازه می‌دهد تا راحت‌تر درک شوند. نرخ همگرایی، میانگین‌گیری تکرار، مسائل با ابعاد بالا، روش‌های پایداری-ODE، دو مقیاس زمانی، الگوریتم‌های ناهمزمان و غیرمتمرکز، نویز همبسته و وابسته به حالت عمومی، روش‌های تابع آزمون آشفته، و روش‌های انحراف بزرگ، پوشش داده شده‌اند. بسیاری از مثال‌های انگیزشی از تئوری یادگیری، مشکلات هزینه ارگودیک برای سیستم‌های رویداد گسسته، ارتباطات بی‌سیم، کنترل تطبیقی، پردازش سیگنال و جاهای دیگر، کاربرد این نظریه را نشان می‌دهند.

این ویرایش دوم یک بازبینی کامل است، اگرچه ویژگی‌های اصلی و ساختار بدون تغییر باقی می‌مانند. این شامل بسیاری از برنامه ها و نتایج اضافی و بحث های مفصل تر است.

هارولد جی کوشنر استاد دانشگاه و استاد ریاضیات کاربردی در دانشگاه براون است. او کتاب‌ها و مقالات متعددی در مورد تمام جنبه‌های نظریه سیستم‌های تصادفی نوشته است و جوایز مختلفی از جمله جایزه میدانی سیستم‌های کنترل IEEE را دریافت کرده است.

G. جورج یین، استاد ریاضیات در دانشگاه ایالتی وین است. علایق تحقیقاتی او بر روی فرآیندهای تصادفی کاربردی و نظریه سیستم های تصادفی متمرکز است. او سهم عمده ای در نظریه تقریب تصادفی داشته است.

Stochastic approximation and recursive algorithms and applications

The book presents a thorough development of the modern theory of stochastic approximation or recursive stochastic algorithms for both constrained and unconstrained problems. There is a complete development of both probability one and weak convergence methods for very general noise processes. The proofs of convergence use the ODE method, the most powerful to date, with which the asymptotic behavior is characterized by the limit behavior of a mean ODE. The assumptions and proof methods are designed to cover the needs of recent applications. The development proceeds from simple to complex problems, allowing the underlying ideas to be more easily understood. Rate of convergence, iterate averaging, high-dimensional problems, stability-ODE methods, two time scale, asynchronous and decentralized algorithms, general correlated and state-dependent noise, perturbed test function methods, and large devitations methods, are covered. Many motivational examples from learning theory, ergodic cost problems for discrete event systems, wireless communications, adaptive control, signal processing, and elsewhere, illustrate the application of the theory.

This second edition is a thorough revision, although the main features and the structure remain unchanged. It contains many additional applications and results, and more detailed discussion.

Harold J. Kushner is a University Professor and Professor of Applied Mathematics at Brown University. He has written numerous books and articles on virtually all aspects of stochastic systems theory, and has received various awards including the IEEE Control Systems Field Award.

G. George Yin is a Professor of Mathematics at Wayne State University. His research interests focus on applied stochastic processes and stochastic systems theory; he has been a major contributor to stochastic approximation theory.