Calcul vectoriel et calcul tensoriel / André Delachet / Paris : Presses Universitaires de France (1955)

Titre : Calcul vectoriel et calcul tensoriel Type de document : texte imprimé Auteurs : André Delachet, Auteur Editeur : Paris : Presses Universitaires de France Année de publication : 1955 Collection : Que sais-je ? num. 418 Importance : 128 p. Présentation : ill. Format : 18 cm Note générale : Bibliogr. Langues : Français (fre) Catégories : Analyse vectorielle Mathématiques Index. décimale : 511.324 Algèbre des ensembles (Algèbre de Boole) Note de contenu : - I. ALGEBRE VECTORIELLE : 1. Les vecteurs libres - 2. Les vecteurs glissants - II. ANALYSE VECTORIELLE : 1. Les fonctions vectorielles de variables scalaires - 2. Les champs de vecteurs - III. ALGEBRE TENSORIELLE : Multiplicités linéaires et espaces affins - 2. Contrevariance et coariance - 4. La géométrie métrique - IV. ANALYSE TENSORIELLE : 1. Champs de tenseurs en espace affin - 2. Les tenseurs en espace amorphe - 3. Introduction à l'étude des espaces Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=38805

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23866	511.324 DEL	Monographie	Bibliothèque principale	Documentaires	Disponible

A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation / Feng Li in COLORATION TECHNOLOGY, Vol. 138, N° 5 (10/2022)  

[article]  inCOLORATION TECHNOLOGY > Vol. 138, N° 5 (10/2022) . - p. 594-508 Titre : A novel approach for recipe prediction of fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation Type de document : texte imprimé Auteurs : Feng Li, Auteur ; Caiting Chen, Auteur ; Zhiping Mao, Auteur Année de publication : 2022 Article en page(s) : p. 594-508 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse vectorielle Coton Le coton est une fibre végétale qui entoure les graines des cotonniers "véritables"(Gossypium sp.), un arbuste de la famille des Malvacées. Cette fibre est généralement transformée en fil qui est tissé pour fabriquer des tissus. Le coton est la plus importante des fibres naturelles produites dans le monde. Depuis le XIXe siècle, il constitue, grâce aux progrès de l'industrialisation et de l'agronomie, la première fibre textile du monde (près de la moitié de la consommation mondiale de fibres textiles). Optimisation par essaims particulaires L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Algorithme Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum global. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. (Wikipedia) Prévision, Théorie de la Taffetas Le taffetas est, au sens premier du terme, un tissu d'armure toile en soie. - Histoire : L'appellation est réputée venir d'un mot persan ("taftâ"), désignant littéralement "ce qui est tissé". On trouve ainsi l'expression "armure taffetas" en confection pour désigner une armure de toile (tissée selon le principe : un fil pris, un fil laissé). Les taffetas se distinguent selon leurs motifs, ou les couleurs de fils utilisés dans leurs chaînes et leurs trames. Ainsi que la matière qui le recouvre. On distingue : le taffetas amidonné ; le taffetas barré ; le taffetas broché ; le taffetas caméléon ; le taffetas chiné ; le taffetas damier ; le taffetas de laine ; le taffetas prismatique ; le taffetas prussien ; le taffetas changeant. (Wikipedia) Teinture -- Fibres textiles Index. décimale : 667.3 Teinture et impression des tissus Résumé : Recipe prediction is one of the most critical steps in the fabric dyeing industry. The conventional Kubelka–Munk model and neural network techniques have been widely used in recipe prediction systems. However, there are some limitations to these two methods : predictions using the Kubelka–Munk model may not be robust enough; and neural networks require large amounts of training data. Therefore, this paper investigates a novel recipe prediction method for fabric dyeing based on feature-weighted support vector regression and particle swarm optimisation. Feature-weighted support vector regression improved with particle swarm optimisation was first developed to predict the CIELab coordinates for given dye concentrations, expressed as . Particle swarm optimisation was utilised again in the recipe prediction stage to search for the optimal recipe in an iterative process. The optimisation criterion is to minimise the colour differences (CMC [2:1]) between the CIELab value calculated by feature-weighted support vector regression improved with particle swarm optimisation and the target CIELab of a swatch. Dyeing data based on two different fabrics (cotton and taffeta) were used in the experiment. The proposed method revealed good results with a slight average colour difference between the target and reproduced colours. The absolute percentage errors in predicting concentrations were less than 5% in most of our experimental recipes. In addition, the comparative experimental results illustrate that our method had higher accuracy and better practical applicability than other methods. Note de contenu : - METHODOLOGY AND PROPOSED RECIPE PREDICTION METHOD INTRODUCTION : Basic algorithm introduction - Proposed recipe prediction method - EXPERIMENTAL : Dataset - Evaluation index - RESULTS AND DISCUSSION : Results analysis of the proposed method - Comparison and discussion - Table 1 : CIELab coordinates and recipes for the validation set of dyed taffeta samples - Table 2 : CIELab coordinates and recipes for the validation set of dyed cotton samples - Table 3 : Recipe prediction results for the validation set of dyed taffeta - Table 4 : Recipe prediction results for the validation set of dyed cotton - Table 5 : Comparison of prediction errors of different methods in the validation set DOI : https://doi.org/10.1111/cote.12607 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12607 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=38124 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23613	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Optimal eigenvectors of spectral datasets : sequential selection from one set vs a collection from two sets / Morteza Maali Amiri in COLORATION TECHNOLOGY, Vol. 132, N° 6 (12/2016)  

[article]  inCOLORATION TECHNOLOGY > Vol. 132, N° 6 (12/2016) . - p. 441 448 Titre : Optimal eigenvectors of spectral datasets : sequential selection from one set vs a collection from two sets Type de document : texte imprimé Auteurs : Morteza Maali Amiri, Auteur ; Seyed Hossein Amirshahi, Auteur Année de publication : 2016 Article en page(s) : p. 441 448 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Analyse des données Analyse vectorielle Spectroscopie de réflectance Index. décimale : 667.3 Teinture et impression des tissus Résumé : In this paper, the influence of spectral datasets and the method of selection of the corresponding feature vectors on the compression and reconstruction of data is scrutinised. To fulfil this aim, two different sets of reflectance data with the least spectral similarity are selected from different sets of spectral databases and the most optimal eigenvectors are chosen using different strategies. Six and 12 arrangements of eigenvectors obtained from different individual or combined databases are then used for the compression of reflectance spectra of learning sets, as well as those that have not been used in extraction of eigenvectors. The validity of the desired reduced subspaces is assessed by computing the spectral errors between the actual and the reconstructed spectra of samples of learning sets. Moreover, the efficiencies of designed compressed subspaces are evaluated through the numbers of out-of-range reconstructed spectra, as well as the spectral and colorimetric deviations between the actual and compressed-reconstructed reflectance spectra of samples of datasets that were not employed in learning sequence. The results show that in the restricted subspaces, i.e. six-dimensional subspace, the most effective results are achieved when the reduced subspace is created from a collection of two separate sets of eigenvectors of two different datasets with the maximum degree of dissimilarity, and the reduced spaces that have been made from six eigenvectors of individual datasets lead to higher errors. Note de contenu : - EXTRACTION AND SELECTION OF AN OPTIMAL EIGENVECTOR SET - EXPERIMENT AND PROCEDURE - RESULTS AND DISCUSSION : Compression-reconstruction of Munsell and textile databases - Compression-reconstruction of other datasets DOI : 10.1111/cote.12236 En ligne : https://drive.google.com/file/d/12YHaAeS72nA2RyXGU06tlAD2AeX_mJtu/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=27281 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
18506	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 3 / 3)