دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب A Kalman Filter Primer (Statistics: A Series of Textbooks and Monographs)
دانلود کتاب پرایمر فیلتر کالمن (آمار: مجموعه ای از کتاب های درسی و تک نگاری ها)
مشخصات کتاب
A Kalman Filter Primer (Statistics: A Series of Textbooks and Monographs)
ویرایش:
نویسندگان: Randall L. Eubank
سری:
ISBN (شابک) : 0824723651, 9780824723651
ناشر: Chapman and Hall/CRC
سال نشر: 2005
تعداد صفحات: 194
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 958 کیلوبایت
قیمت کتاب (تومان) : 35,000
در صورت تبدیل فایل کتاب A Kalman Filter Primer (Statistics: A Series of Textbooks and Monographs) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پرایمر فیلتر کالمن (آمار: مجموعه ای از کتاب های درسی و تک نگاری ها) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب پرایمر فیلتر کالمن (آمار: مجموعه ای از کتاب های درسی و تک نگاری ها)
تخمین وضعیت سیستم در حضور نویز برای سیستم های کنترل، پردازش سیگنال و بسیاری از کاربردهای دیگر در زمینه های مختلف حیاتی است. فیلتر کالمن که چندین دهه پیش ساخته شد، همچنان یک ابزار مهم و قدرتمند برای تخمین متغیرهای یک سیستم در حضور نویز است. با این حال، هنگامی که با تئوری و نمادهای گسترده غرق می شوید، یادگیری نحوه عملکرد فیلتر کالمن می تواند یک کار دلهره آور باشد. پرایمر فیلتر کالمن با رویکرد ریاضی دقیق خود، "بدون حاشیه" به فیلتر اولیه کالمن گسسته، درک کاملی از عملکرد درونی و مفاهیم اساسی بازگشت فیلتر کالمن از اصول اولیه ایجاد می کند. به جای دیدگاه معمول بیزی، نویسنده موضوع را از طریق روش‌های حداقل مربعات و ماتریس کلاسیک با استفاده از تجزیه Cholesky توسعه می‌دهد تا جوهر فیلتر کالمن را تقطیر کند و انگیزه‌های پشت انتخاب بردار حالت اولیه را آشکار کند. او الگوریتم‌های شبه کد را برای بازگشت‌های مختلف ارائه می‌کند و توسعه کد را قادر می‌سازد تا فیلتر را در عمل پیاده‌سازی کند. این کتاب به طور کامل توسعه الگوریتم‌ها و روش‌های هموارسازی مدرن را برای تعیین حالت‌های اولیه، همراه با توسعه جامع فیلتر کالمن "گسترش" مطالعه می‌کند. پرایمر فیلتر کالمن با استفاده از یک ارائه چندسطحی که مبتنی بر بحث های ساده و درمان های پیچیده تر است، مقدمه ای عالی برای استفاده سریع و موثر از فیلتر کالمن در عمل است.
توضیحاتی درمورد کتاب به خارجی
System state estimation in the presence of noise is critical for control systems, signal processing, and many other applications in a variety of fields. Developed decades ago, the Kalman filter remains an important, powerful tool for estimating the variables in a system in the presence of noise. However, when inundated with theory and vast notations, learning just how the Kalman filter works can be a daunting task. With its mathematically rigorous, “no frills” approach to the basic discrete-time Kalman filter, A Kalman Filter Primer builds a thorough understanding of the inner workings and basic concepts of Kalman filter recursions from first principles. Instead of the typical Bayesian perspective, the author develops the topic via least-squares and classical matrix methods using the Cholesky decomposition to distill the essence of the Kalman filter and reveal the motivations behind the choice of the initializing state vector. He supplies pseudo-code algorithms for the various recursions, enabling code development to implement the filter in practice. The book thoroughly studies the development of modern smoothing algorithms and methods for determining initial states, along with a comprehensive development of the “diffuse” Kalman filter. Using a tiered presentation that builds on simple discussions to more complex and thorough treatments, A Kalman Filter Primer is the perfect introduction to quickly and effectively using the Kalman filter in practice.
فهرست مطالب
Table of Contents......Page 0
A Kalman Filter Primer......Page 1
Preface......Page 4
Contents......Page 8
1.1 Introduction......Page 10
1.2 The prediction problem......Page 11
1.2.1 Best linear unbiased prediction......Page 13
1.2.2 Gramm-Schmidt and innovations......Page 16
1.2.3 Gramm-Schmidt and Cholesky......Page 19
1.3 State-space models......Page 21
1.4 What lies ahead......Page 30
2.2 Some tools of the trade......Page 32
2.3 State and innovation covariances......Page 38
2.4 An example......Page 55
3.1 Introduction......Page 61
3.2 Recursions for L......Page 62
3.3 Recursions for L−1......Page 66
3.4 An example......Page 72
4.1 Introduction......Page 74
4.2 Computing the innovations......Page 75
4.3 State and signal prediction......Page 79
4.4 Other options......Page 83
4.5 Examples......Page 89
5.1 Introduction......Page 95
5.2 Fixed interval smoothing......Page 96
5.3 Examples......Page 106
6.1 Introduction......Page 112
6.2 Diffuseness......Page 113
6.2.1 Prediction when S(0|0) = 0......Page 117
6.2.2 Prediction when S(0|0) is “large”......Page 123
6.3 Diffuseness and least-squares estimation......Page 131
6.4 An example......Page 136
7.1 Introduction......Page 141
7.2 Likelihood evaluation......Page 142
7.3 Diffuseness......Page 146
7.4 Parameter estimation......Page 151
7.5 An example......Page 154
8.1 Introduction......Page 157
8.2 KF recursions......Page 160
8.3 Estimation of β......Page 167
8.4 Likelihood evaluation......Page 171
Appendix A: The Cholesky Decomposition......Page 173
Appendix B: Notation Guide......Page 180
References......Page 185
