دراین پایان نامه قصد داریم نشان دهیم اگر تابع f در l_p ([0,1]) باشد و f_p بهترین تقریب f توسط توابع نانزولی در l_p ([0,1]) باشد، آنگاه f_*=(lim)?(p??)??f_p ? موجود است که تابع f_* بهترین تقریب f توسط توابع نانرولی در c([0,1])است و یک فرمول دقیق برای f_*ارائه می دهیم. هم چنین الگوریتم رِمِز را بیان نموده و چند جمله ای تقریب به دست آمده از این الگوریتم را با چند جمله ای تقریب چبیشف مقایسه می کنیم.
نظریه تقریب یکی از مباحث حائز اهمیت در ریاضیات کاربردی است و از طرفی بهترین تقریب به وسیله چند جمله ای ها از مهم ترین مسائل در شاخه ی نظریه تقریب می باشد که در معادلات دیفرانسیل و انتگرالی، مهندسی و غیره کاربرد زیادی دارد. در این پایان نامه به بررسی مسائل وجود، یکتایی و مشخصه ی ب
هدف اصلی ما در این پایان نامه معرفی بهترین تقریب همزمان در فضاهای توابع و عملگرهاست. همجنین به دنبال شرایطی هستیم که تحت آن شرایط، یک مجموعه در جنین فضاهایی، بهترین تقریب همزمان داشته باشد.
تقریب توابع، از جمله مسائلی می باشد که از دیر باز مورد علاقه علوم مختلف، از ریاضیات کاربردی گرفته تا علوم کامپیوتر قرار دارد. همواره روش های متعددی برای تقریب توابع وجود داشته اند و با گذر زمان این روش ها مورد بهبود قرار گرفتند، و یا روش های جدیدی برای تقریب توابع معرفی شدند. یکی
در این پایان نامه به بررسی -pبهترین تقریب و-pبهترین هم تقریب در فضای خطی -2نرم فازی می پردازیم. ابتدا مفهوم -pبهترین تقریب در فضای خطی 2-نرم فازی را بیان می کنیم و با معرفی مجموعه های به طورشمارشی فشرده،-pبه طورتقریبی فشرده، -pبه طورکراندار فشرده، فضای -pاکیداً محدب و
وجود روشی جهت یافتن نقاط بهترین تقریب یک خود نگاشت از دو رویکرد قابل تامل است. اول اینکه مفهوم نقطه بهترین تقریب یک خود نگاشت، تعمیم مفهوم نقطه ثابت است و دوم، قضایای نقطه بهترین تقریب، در مقایسه با قضایای بهترین تقریب این برتری ارزشمند را دارند که از شرط پیوستگی نگاشتها کاسته و
شبکه های عصبی مصنوعی که از جمله مباحث هوش محاسباتی است دارای کاربردهای بسیاری در مباحثی چون بازشناسی آماری الگو، خوشه بندی الگوها و تقریب توابع می باشد. مبانی عملکرد شبکه های عصبی بر استخراج دانش، ویژگی و نگاشت از داخل اطلاعات بر پایه ارائه بهنگام داده های عددی است. اساس پروژه حا
رویکرد کنترل مبتنی بر رگرسور، از رویکردهای رایج حوزه کنترل سیستمهای غیرخطی است که به حوزه کنترل رباتهای سیار نیز توسعه یافته است. بازنویسی مدل فرآیند در قالب ماتریس رگرسور با نایقینیها جهت برپایی قاعده کنترل در این رویکرد، نیازمند آگاهی از ساختار دینامیکی سیستم است. بدیهی است پار
رتبه یکی از مشخصه‌های مهم هر ماتریس است. رتبه ماتریس A عبارت است از کوچک‌ترین عدد صحیح r به‌طوری‌که A را بتوان با استفاده از مجموع r ماتریس رتبه‌یک نوشت. رتبهٔ ماتریس را می‌توان با استفاده از روش حذف گاوسی یا تجزیهٔ پلکانی به‌دست آورد. رتبهٔ تانسور A عبارت است از کوچک‌ترین عدد صح
در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (ols)، الگوریتم جهش قورباغه های بهم آمیخته (sfl) و روش حداقل مربعات بازگشتی(rl
در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RL
چکیده: کارایی بهتر شبکه عصبی به پارامترهایی همچون تعداد گره های ورودی، تعداد لایه های میانی، تعداد نرون ها، و وزن اختصاص یافته به نرون ها بستگی دارد. روش های متفاوتی جهت به روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش های متداول و مورد استفاده
چکیده: کارایی بهتر شبکه عصبی به پارامترهایی همچون تعداد گره های ورودی، تعداد لایه‌های میانی، تعداد نرون ها، و وزن اختصاص یافته به نرون ها بستگی دارد. روش های متفاوتی جهت به روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش های متداول و مورد استفاده در شبکه