تئوری کارانن-لوف: تفاوت میان نسخه‌ها

محتوای حذف‌شده محتوای افزوده‌شده
Raindigital (بحث | مشارکت‌ها)
جز اصلاح ایرادات تایپی
ویرایش نوشتاری و فنی متن.
خط ۱:
در مبحث [[فرایند تصادفی|فرایندهای تصادفی]]، '''قضیۀ کارهونِن-لُواِو '''(Karhunen-Loève Theorem، به افتخار «کاری کارهونِن» فنلاندی و «میشل لُواِو» فرانسوی)، هم‌چنین شناخته‌شده به عنوان''' قضیه Kosambi-Karhunen-Loève'''،<ref name="sapatnekar">{{Citation|last=Sapatnekar|first=Sachin|title=Overcoming variations in nanometer-scale technologies|year=2011|journal=IEEE Journal on Emerging and Selected Topics in Circuits and Systems|volume=1|issue=1|pages=5–18|doi=10.1109/jetcas.2011.2138250}}</ref><ref name="ghoman">{{Citation|last=Ghoman|first=Satyajit|title=A POD-based Reduced Order Design Scheme for Shape Optimization of Air Vehicles|year=2012|last2=Wang|last3=Chen|last4=Kapania|first2=Zhicun|first3=PC|first4=Rakesh|booktitle=Proc of 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference, AIAA-2012-1808, Honolulu, Hawaii}}</ref> توصیفی از یک فرایند تصادفی را به عنوانصورت ترکیب خطی تعداد نامحدودی از توابع متعامد (شبیه [[سری فوریه]]) برای یکتوابع فرایندریاضی) در یک بازهٔ کران‌دار به‌ دستتوصیف می‌دهدمی‌کند (به اشتباه، '''کارانن-لوف''' خوانده نشود).
 
این تبدیل همچنین با نام‌های [[تبدیل هتلینگ|تبدیل هُتِلینگ]] و [[تبدیل بردار ویژه]] نیز شناخته می‌شود و با تکنیک [[تحلیل مؤلفه‌های اصلی|تحلیل مولفه اصلی]] (PCA) مرتبط است که به صورت گسترده در بسیاری از زمینه‌های پردازش تصویر و آنالیز داده استفاده می‌شود.<ref>[http://fourier.eng.hmc.edu/e161/lectures/klt/node3.html Karhunen-Loeve Transform (KLT)], Computer Image Processing and Analysis (E161) lectures, Harvey Mudd College</ref>
 
در مقایسه با سری فوریه که در آن‌ها ضرایب، اعداد معیّن (یا قطعی، deterministic) هستند و پایه‌های (bases) بسطبسط، توابع سینوسی هستند، ضرایب در تئوریبسط کارهونن-لُواِولُواِو، [[متغیرهای تصادفی]] هستند و پایه‌های بسط بستگی به فرایند دارند. می‌توان گفت این تبدیل به گونه‌ای با فرایند سازگار می‌شود که به بهترین پایه‌ها را برای بسطآن ایجادفرایند کندمی‌انجامد.
 
در مورد یک ''فرایند تصادفی متمرکز ''{{ریاضی|{''X<sub>t</sub>''}<sub>''t'' ∈ [''a'', ''b'']</sub>}} (''متمرکز'' به معنی {{ریاضی|'''E'''[''X<sub>t</sub>''] {{=}} ۰}} برای تمام {{ریاضی|''t'' ∈ [''a'', ''b'']}}) برای X<sub>t</sub> می‌نویسیم: