Large-system phase-space dimensionality loss in stationary heat flows
نویسندگان
چکیده
منابع مشابه
Large-System Phase-Space Dimensionality Loss in Stationary Heat Flows
Thermostated tethered harmonic lattices provide good illustrations of the phasespace dimensionality loss ∆D which occurs in the strange-attractor distributions characterizing stationary nonequilibrium flows. We use time-reversible nonequilibrium molecular dynamics, with two Nosé-Hoover thermostats, one hot and one cold, to study a family of square heat-conducting systems. We find a phase-space ...
متن کاملsynthesis of platinum nanostructures in two phase system
چکیده پلاتین، فلزی نجیب، پایدار و گران قیمت با خاصیت کاتالیزوری زیاد است که کاربرد های صنعتی فراوانی دارد. کمپلکس های پلاتین(ii) به عنوان دارو های ضد سرطان شناخته شدند و در شیمی درمانی بیماران سرطانی کاربرد دارند. خاصیت کاتالیزوری و عملکرد گزینشی پلاتین مستقیماً به اندازه و- شکل ماده ی پلاتینی بستگی دارد. بعضی از نانو ذرات فلزی در سطح مشترک مایع- مایع سنتز شده اند، اما نانو ساختار های پلاتین ب...
modeling loss data by phase-type distribution
بیمه گران همیشه بابت خسارات بیمه نامه های تحت پوشش خود نگران بوده و روش هایی را جستجو می کنند که بتوانند داده های خسارات گذشته را با هدف اتخاذ یک تصمیم بهینه مدل بندی نمایند. در این پژوهش توزیع های فیزتایپ در مدل بندی داده های خسارات معرفی شده که شامل استنباط آماری مربوطه و استفاده از الگوریتم em در برآورد پارامترهای توزیع است. در پایان امکان استفاده از این توزیع در مدل بندی داده های گروه بندی ...
2D Dimensionality Reduction Methods without Loss
In this paper, several two-dimensional extensions of principal component analysis (PCA) and linear discriminant analysis (LDA) techniques has been applied in a lossless dimensionality reduction framework, for face recognition application. In this framework, the benefits of dimensionality reduction were used to improve the performance of its predictive model, which was a support vector machine (...
متن کاملLarge Margin Discriminant Dimensionality Reduction in Prediction Space
In this paper we establish a duality between boosting and SVM, and use this to derive a novel discriminant dimensionality reduction algorithm. In particular, using the multiclass formulation of boosting and SVM we note that both use a combination of mapping and linear classification to maximize the multiclass margin. In SVM this is implemented using a pre-defined mapping (induced by the kernel)...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Physica D: Nonlinear Phenomena
سال: 2004
ISSN: 0167-2789
DOI: 10.1016/j.physd.2003.09.015