國立虎尾科技大學 |

Inverse Probleme mit stochastisch modellierten Messdaten = Stochastische und numerische Methoden der Diskretisierung und Optimierung /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Inverse Probleme mit stochastisch modellierten Messdaten / von Mathias Richter, Stefan Schäffler.
其他題名:	Stochastische und numerische Methoden der Diskretisierung und Optimierung /
作者:	Richter, Mathias.
其他作者:	Schäffler, Stefan.
面頁冊數:	XVI, 289 S. 70 Abb., 30 Abb. in Farbe.online resource. :
Contained By:	Springer Nature eBook
標題:	Stochastic Analysis. -
電子資源:	https://doi.org/10.1007/978-3-662-66343-1
ISBN:	9783662663431

Inverse Probleme mit stochastisch modellierten Messdaten = Stochastische und numerische Methoden der Diskretisierung und Optimierung /
Richter, Mathias.

Inverse Probleme mit stochastisch modellierten Messdaten Stochastische und numerische Methoden der Diskretisierung und Optimierung /[electronic resource] :von Mathias Richter, Stefan Schäffler. - 1st ed. 2022. - XVI, 289 S. 70 Abb., 30 Abb. in Farbe.online resource.

1 Grundlagen -- 2 Analyse inverser Probleme -- 3 Numerische Realisierung in Anwendungsfällen. .

Wesentliche Zielsetzung dieses Buchs ist eine in sich abgeschlossene Darstellung der zur Lösung inverser Probleme notwendigen Kenntnisse von der mathematischen Analyse bis zur numerischen Lösung. Konkrete Anwendungsfälle aus Naturwissenschaften und Technik geben den Umfang der benötigten mathematischen Methoden vor. Dazu gehört insbesondere die stochastische Modellierung der unvorhersehbaren Störungen von Messdaten, die bisher in Lehrbüchern zu inversen und schlecht gestellten Problemen nicht berücksichtigt wird. Die stochastische Modellierung steht in engem Zusammenhang mit der für den Computereinsatz essentiellen Diskretisierung beziehungsweise Parametrisierung inverser Probleme, auf die besonderes Augenmerk gerichtet wird. Ein weiterer Schwerpunkt ist die praktische Lösung der aus der Diskretisierung resultierenden globalen, im Allgemeinen nichtlinearen Optimierungsprobleme. Hingegen wird auf die Besprechung einer abstrakten Theorie der Regularisierung verzichtet. Um den ganzen Weg von der theoretischen Analyse bis zur effizienten numerischen Lösung inverser Probleme aufzeigen zu können, wird die Besprechung mathematischer Grundlagen gegenüber Standardtexten um die Einbeziehung von Themen der Wahrscheinlichkeitstheorie und Statistik, der Approximation mit Wavelets und dünnen Gittern sowie der globalen Optimierung wesentlich erweitert. Für eine Reihe von repräsentativen Anwendungsfällen aus den Bereichen Mobilfunk, Medizintechnik oder Geophysik werden die jeweiligen, zumeist nichtlinearen Probleme mathematisch präzisiert, eingehend analysiert und rechnerisch gelöst. Das Buch ist zum Selbststudium für Mathematiker und für mathematisch interessierte Ingenieure und Naturwissenschaftler geeignet. Die Autoren Univ.-Prof. Dr. Mathias Richter, Studium Mathematik TU München 1985–1990, Promotion in Mathematik 1996 an der TU München bei Prof. Dr. C. Reinsch, 1996–2010 Research Scientist bei Siemens, seit 2010 Professor für Mathematik an der Universität der Bundeswehr München, Fakultät für Elektrotechnik und Informationstechnik. Univ.-Prof. Dr. Dr. Stefan Schäffler, Studium Mathematik TU München 1981–1986, Promotion Mathematik 1988, Habilitation Mathematik 1995, Promotion Elektrotechnik und Informationstechnik 1997 (alles TU München), 1997–2000 Senior Principal Research Scientist bei der SIEMENS AG (1998–2000 in Teilzeit), 1998–2000 Professor für Angewandte Mathematik (C3) in Erlangen, seit Dez. 2000 Universität der Bundeswehr München, Fakultät für Elektrotechnik und Informationstechnik, Professur für Mathematik und Operations Research.

ISBN: 9783662663431

Standard No.: 10.1007/978-3-662-66343-1doiSubjects--Topical Terms:

1388640
Stochastic Analysis.

LC Class. No.: QA274.6

Dewey Class. No.: 003.76

Inverse Probleme mit stochastisch modellierten Messdaten = Stochastische und numerische Methoden der Diskretisierung und Optimierung /
LDR:04081nam a22003735i 4500 001 1086096
003 DE-He213
005 20221130113320.0
007 cr nn 008mamaa
008 221228s2022 gw | s |||| 0|ger d
020 $a 9783662663431 $9 978-3-662-66343-1
024 7 $a 10.1007/978-3-662-66343-1 $2 doi
035 $a 978-3-662-66343-1
050 4 $a QA274.6
072 7 $a PBT $2 bicssc
072 7 $a PBWL $2 bicssc
072 7 $a MAT029000 $2 bisacsh
072 7 $a PBT $2 thema
072 7 $a PBWL $2 thema
082 0 4 $a 003.76 $2 23
100 1 $a Richter, Mathias. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1115841
245 1 0 $a Inverse Probleme mit stochastisch modellierten Messdaten $h [electronic resource] : $b Stochastische und numerische Methoden der Diskretisierung und Optimierung / $c von Mathias Richter, Stefan Schäffler.
250 $a 1st ed. 2022.
264 1 $a Berlin, Heidelberg : $b Springer Berlin Heidelberg : $b Imprint: Springer Spektrum, $c 2022.
300 $a XVI, 289 S. 70 Abb., 30 Abb. in Farbe. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
505 0 $a 1 Grundlagen -- 2 Analyse inverser Probleme -- 3 Numerische Realisierung in Anwendungsfällen. .
520 $a Wesentliche Zielsetzung dieses Buchs ist eine in sich abgeschlossene Darstellung der zur Lösung inverser Probleme notwendigen Kenntnisse von der mathematischen Analyse bis zur numerischen Lösung. Konkrete Anwendungsfälle aus Naturwissenschaften und Technik geben den Umfang der benötigten mathematischen Methoden vor. Dazu gehört insbesondere die stochastische Modellierung der unvorhersehbaren Störungen von Messdaten, die bisher in Lehrbüchern zu inversen und schlecht gestellten Problemen nicht berücksichtigt wird. Die stochastische Modellierung steht in engem Zusammenhang mit der für den Computereinsatz essentiellen Diskretisierung beziehungsweise Parametrisierung inverser Probleme, auf die besonderes Augenmerk gerichtet wird. Ein weiterer Schwerpunkt ist die praktische Lösung der aus der Diskretisierung resultierenden globalen, im Allgemeinen nichtlinearen Optimierungsprobleme. Hingegen wird auf die Besprechung einer abstrakten Theorie der Regularisierung verzichtet. Um den ganzen Weg von der theoretischen Analyse bis zur effizienten numerischen Lösung inverser Probleme aufzeigen zu können, wird die Besprechung mathematischer Grundlagen gegenüber Standardtexten um die Einbeziehung von Themen der Wahrscheinlichkeitstheorie und Statistik, der Approximation mit Wavelets und dünnen Gittern sowie der globalen Optimierung wesentlich erweitert. Für eine Reihe von repräsentativen Anwendungsfällen aus den Bereichen Mobilfunk, Medizintechnik oder Geophysik werden die jeweiligen, zumeist nichtlinearen Probleme mathematisch präzisiert, eingehend analysiert und rechnerisch gelöst. Das Buch ist zum Selbststudium für Mathematiker und für mathematisch interessierte Ingenieure und Naturwissenschaftler geeignet. Die Autoren Univ.-Prof. Dr. Mathias Richter, Studium Mathematik TU München 1985–1990, Promotion in Mathematik 1996 an der TU München bei Prof. Dr. C. Reinsch, 1996–2010 Research Scientist bei Siemens, seit 2010 Professor für Mathematik an der Universität der Bundeswehr München, Fakultät für Elektrotechnik und Informationstechnik. Univ.-Prof. Dr. Dr. Stefan Schäffler, Studium Mathematik TU München 1981–1986, Promotion Mathematik 1988, Habilitation Mathematik 1995, Promotion Elektrotechnik und Informationstechnik 1997 (alles TU München), 1997–2000 Senior Principal Research Scientist bei der SIEMENS AG (1998–2000 in Teilzeit), 1998–2000 Professor für Angewandte Mathematik (C3) in Erlangen, seit Dez. 2000 Universität der Bundeswehr München, Fakultät für Elektrotechnik und Informationstechnik, Professur für Mathematik und Operations Research.
650 2 4 $a Stochastic Analysis. $3 1388640
650 2 4 $a Applied Probability. $3 1390075
650 1 4 $a Stochastic Modelling. $3 1366661
650 0 $a Stochastic analysis. $3 560202
650 0 $a Probabilities. $3 527847
650 0 $a Stochastic models. $3 683908
700 1 $a Schäffler, Stefan. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1263180
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783662663424
856 4 0 $u https://doi.org/10.1007/978-3-662-66343-1
912 $a ZDB-2-SNA
950 $a Life Science and Basic Disciplines (German Language) (SpringerNature-11777)