Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tensor yang dipandang sebagai multidimensional array adalah bentuk umum dari suatu matriks. Oleh karena itu, dapat dikonstruksi bentuk umum dari hasil kali matriks yang disebut sebagai hasil kali tensor. Tujuan dari tulisan ini adalah menjelaskan inversi kiri dan inversi kanan suatu tensor. Pada tulisan ini disajikan karakteristik eksistensi inversi kiri dan inversi kanan orde k dari suatu tensor. Disajikan pula hasil terkait keserupaan suatu tensor.

---

Tensor, which is seemed as multidimensional array, is a general form of matrix. Therefore, tensor could be constructed into general form of matrix product which is called tensor product. The aim of this writing was to explain the right and left inversion of tensor. In this research, there were characteristics of right and left extension of orde k of tensor provided, in addition, there was also a result involved of the tensor similarity."

"Tensor yang dipandang sebagai multidimensional array adalah bentuk umum dari suatu matriks. Oleh karena itu, dapat dikonstruksi bentuk umum dari hasil kali matriks yang disebut sebagai hasil kali tensor. Tujuan dari tulisan ini adalah menjelaskan inversi kiri dan inversi kanan suatu tensor. Pada tulisan ini disajikan karakteristik eksistensi inversi kiri dan inversi kanan orde k dari suatu tensor. Disajikan pula hasil terkait keserupaan suatu tensor

---

Tensor, which is seemed as multidimensional array, is a general form of matrix. Therefore, tensor could be constructed into general form of matrix product which is called tensor product. The aim of this writing was to explain the right and left inversion of tensor. In this research, there were characteristics of right and left extension of orde k of tensor provided, in addition, there was also a result involved of the tensor similarity.

"

"Special numerical techniques are already needed to deal with nxn matrices for large n.Tensor data are of size nxnx...xn=n^d, where n^d exceeds the computer memory by far. They appear for problems of high spatial dimensions. Since standard methods fail, a particular tensor calculus is needed to treat such problems. The monograph describes the methods how tensors can be practically treated and how numerical operations can be performed. Applications are problems from quantum chemistry, approximation of multivariate functions, solution of pde, e.g., with stochastic coefficients, etc. ​"

"Tensor dapat dipandang sebagai multidimensional array, yang merupakan perluasan konsep dari matriks, sehingga dapat dikonstruksi bentuk umum dari hasil kali tensor yang sifatnya hampir sama dengan sifat perkalian pada matriks. Pada skripsi ini disajikan teori-teori yang digunakan seperti polinomial homogen, monomial berderajat alpha, dan resultan 2 polinomial untuk menjadi landasan teori utama dalam memahami determinan tensor. Tujuan dari skripsi ini adalah memperlihatkan dan memahami sifat-sifat determinan tensor.

---

The tensor can be viewed as a multidimensional array, which is an extension of the concept of the matrix, so that the general form of the tensor result can be constructed which is almost the same as the multiplication property of the matrix. This undergraduate thesis presents the theories used such as homogeneous polynomials, monomial degrees of alpha, and resultant 2 polynomials to form the basis of the main theory in understanding tensor determinants. The purpose of this paper is to show the properties of tensor determinants."

"Dalam konteks matematika komputasi, tensor sering dipandang sebagai larik multidimensi, dengan jumlah dimensinya disebut sebagai orde tensor tersebut. Tensor dapat digunakan untuk merepresentasikan berbagai jenis data, seperti data gambar dan data psikometri. Salah satu masalah yang penting dalam komputasi tensor adalah aproksimasi rank rendah tensor. Untuk sebuah tensor A, masalah aproksimasi rank rendah adalah mencari tensor B yang nilainya paling mendekati tensor A tetapi memiliki rank tertentu yang lebih kecil dari rank A. Untuk tensor orde 2 (matriks), Teorema Eckart-Young-Mirsky menjelaskan bahwa masalah aproksimasi rank rendah matriks dapat diselesaikan dengan dekomposisi nilai singular (SVD). Akan tetapi, memperumum Teorema Eckart-Young-Mirsky untuk tensor adalah sebuah persoalan yang rumit. Masalah utamanya adalah, dalam kasus tensor, ada beberapa definisi rank yang berbeda. Masing-masing definisi rank dihasilkan dengan memperumum sifat-sifat tertentu dari fungsi rank matriks dan dapat menghasilkan nilai yang berbeda-beda untuk tensor yang sama; permasalahan tersebut adalah pokok bahasan skripsi ini. Skripsi ini dimulai dengan membahas konsep-konsep dasar dalam komputasi tensor. Lalu, akan dibahas mengenai tiga definisi konsep rank tensor. Untuk masing-masing definisi rank tensor, akan dipaparkan dekomposisi tensor yang berkaitan; dekomposisi-dekomposisi tensor ditujukan untuk memperumum SVD. Lalu, konsep rank dan dekomposisi tensor digabungkan dalam pembahasan masalah aproksimasi rank tensor. Pembahasan dilanjutkan dengan pembahasan hasil kali *M. Hasil kali *M dibuat untuk membentuk sebuah kerangka umum sebagai upaya menggabungkan beberapa dekomposisi tensor yang telah dibahas sebelumnya. Terakhir, dijelaskan mengenai berbagai sifat dan keunggulan teoretis kerangka hasil kali *M.

---

In the context of computational mathematics, tensors are often viewed as multidimensional arrays, with the number of dimensions referred to as the order of the tensor. Tensors can be used to represent various types of data, such as image data and psychometric data. One important problem in tensor computation is the low-rank approximation of tensors. For a tensor A, the low-rank approximation problem is to find the tensor B whose entries are closest to the tensor A but has a certain rank that is smaller than the rank of A. For tensors of order two (matrices), the Eckart-Young-Mirsky theorem says that the matrix low-rank approximation problem can be solved by truncating its singular value decomposition (SVD). However, generalizing the Eckart-Young-Mirsky theorem to tensors is a complicated problem. The main problem is that there are several different definitions of rank in the case of tensors. Each definition of rank is generated by generalizing certain properties of the matrix rank and can yield different values for the same tensor; that problem is the subject of this thesis. This thesis begins by discussing the basic concepts of tensor computation. Then, three definitions of the concept of rank tensor will be addressed. For each definition of rank tensor, the corresponding tensor decomposition is presented; the tensor decompositions are intended to generalize the SVD. Then, the concepts of rank and tensor decomposition are combined to discuss the rank tensor approximation problem. The discussion continues with the discussion of the product of *M. The product of *M is made to form a general framework as an attempt to combine several tensor decompositions that have been discussed previously. Finally, various properties and theoretical advantages of the *M product framework are explained."

"This is the fifth and revised edition of a well-received textbook that aims at bridging the gap between the engineering course of tensor algebra on the one hand and the mathematical course of classical linear algebra on the other hand. In accordance with the contemporary way of scientific publication, a modern absolute tensor notation is preferred throughout. The book provides a comprehensible exposition of the fundamental mathematical concepts of tensor calculus and enriches the presented material with many illustrative examples. As such, this new edition also discusses such modern topics of solid mechanics as electro- and magnetoelasticity. In addition, the book also includes advanced chapters dealing with recent developments in the theory of isotropic and anisotropic tensor functions and their applications to continuum mechanics. Hence, this textbook addresses graduate students as well as scientists working in this field and in particular dealing with multi-physical problems. In each chapter numerous exercises are included, allowing for self-study and intense practice. Solutions to the exercises are also provided."

"Untuk merancang suatu objek grafik yang kompleks dan rumit secara praktis biasanya digunakan gabungan beberapa potongan polinomial. Gabungan potongan-potongan polinomial ini dikenal dengan spline. B-spline merupakan salah satu jenis spline yang banyak digunakan dalam Computer Aided Design. Penerapan prinsip blossoming pada kurva B-spline didasari ide adanya korespondensi satu-satu antara polinomial univariate berderajat n dengan polinomial n-variate simetrik berderajat satu untuk tiap variabelnya. Polinomial n-variate simetrik tersebut diistilahkan dengan blossom. Nilai blossom ini dikaitkan dengan titik kontrol objek B-spline yang bersangkutan. Dari kurva B-spline dapat dibentuk permukaan B-spline secara tensor product. Dalam Tugas Akhir ini dibangun sebuah program editor grafis berbasis Java di atas platform Windows ME. Program ini mampu melakukan visualisasi akan kurva B-spline dan permukaan B-spline tensor product. Manipulasi dan modifikasi terhadap hasil kurva dan permukaan juga dimungkinkan dalam program editor tersebut."

"Misalkan U dan V adalah ruang vektor atas lapangan F. Hasil kali tensor (tensor product) dari U dan V adalah pasangan ruang vektor U_0 atas lapangan F dan pemetaan bilinier t:U×V→U_0, sedemikian sehingga (U_0,t) membentuk pasangan universal untuk bilinieritas (universal pair for bilinearity). Ruang vektor U_0 dinotasikan U⊗V. Yokonuma (1992) memberikan cara mengkonstruksi hasil kali tensor dari U dan V dengan menggunakan basis untuk U, V dan U_0. Roman (2008) memberikan cara lain untuk mengkonstruksi hasil kali tensor dari U dan V yaitu dengan menggunakan ruang hasil bagi F_(U×V)⁄S dan pemetaan bilinier t:U×V→F_(U×V)⁄S. Beberapa sifat yang dimiliki hasil kali tensor antara lain mengawetkan basis U dan V, anggota ruang vektor U_0 bersifat bilinier dan memiliki representasi tunggal, serta dapat membentuk isomorfisma antara himpunan pemetaan bilinier pada U×V dan himpunan transformasi linier pada U⊗V. Tugas akhir ini meninjau cara mengkonstruksi hasil kali tensor berdasarkan Yokonuma dan Roman, membahas beberapa sifatnya, dan memberikan contoh konstruksi hasil kali tensor dari R^2 dengan R^3 serta hasil kali tensor dari R^2 dengan M(2,2;R).

---

Let U and V are vector spaces over a field F. Tensor product of U and V is a pair of a vector space U_0 over a field F and a bilinear map t:U×V→U_0 such that (U_0,t) is a universal pair for bilinearity. The vector space U_0 is denoted by U⊗V. Yokonuma (1992) gave a way to construct a tensor product of U and V with bases of U, V and U_0. Roman (2008) gave a different way to construct a tensor product of U and V. It is constructed by using a quotient space F_(U×V)⁄S and a bilinear map t:U×V→F_(U×V)⁄S. Some properties of the tensor product are that it preserves the base of U and V, the elements of the vector space U_0 have a bilinear property and a unique representation. Furthermore, the tensor product can form an isomorphism between a set of bilinear map on U×V and a set of linear transformation on U⊗V. This skripsi gives two constructions of the tensor product based on Yokonuma and Roman, discusses some of its properties and gives examples of tensor product of R^2and R^3and tensor product of R^2 and M(2,2;R)"