برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Adaptive Filtering: Fundamentals of Least Mean Squares with MATLAB®

دانلود کتاب فیلتر تطبیقی: اصول مربعات حداقل میانگین با MATLAB®

مشخصات کتاب

Adaptive Filtering: Fundamentals of Least Mean Squares with MATLAB®

دسته بندی: نرم افزار: سیستم ها: محاسبات علمی
ویرایش: 1 
نویسندگان: Alexander D. Poularikas  
سری:  
ISBN (شابک) : 1482253356, 9781482253351 
ناشر: CRC Press 
سال نشر: 2014 
تعداد صفحات: 361 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت

قیمت کتاب (تومان) : 32,000

کلمات کلیدی مربوط به کتاب فیلتر تطبیقی: اصول مربعات حداقل میانگین با MATLAB®: کتابخانه، ادبیات کامپیوتر، Matlab / Simulink

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 10

در صورت تبدیل فایل کتاب Adaptive Filtering: Fundamentals of Least Mean Squares with MATLAB® 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 فیلتر تطبیقی: اصول مربعات حداقل میانگین با MATLAB® 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 فیلتر تطبیقی: اصول مربعات حداقل میانگین با MATLAB®

فیلترهای تطبیقی در بسیاری از برنامه‌های کاربردی مختلف استفاده می‌شوند، از ابزار نظامی گرفته تا تلفن‌های همراه و لوازم خانگی. فیلترسازی تطبیقی: مبانی حداقل میانگین مربعات با MATLAB® مفاهیم اصلی این زمینه مهم را پوشش می‌دهد و بر بخش حیاتی منطقه پردازش سیگنال آماری - فیلتر تطبیقی حداقل میانگین مربع (LMS) تمرکز می‌کند.

این متن عمدتاً مستقل:

متغیرهای تصادفی، فرآیندهای تصادفی، بردارها، ماتریس‌ها، عوامل تعیین‌کننده، سیگنال‌های تصادفی گسسته، و توزیع‌های احتمال را مورد بحث قرار می‌دهد
نحوه یافتن مقادیر ویژه و بردارهای ویژه یک ماتریس و خواص سطوح خطا را توضیح می دهد
فیلتر وینر و کاربردهای عملی آن را بررسی می کند، شیب ترین روش فرود را توضیح می دهد و الگوریتم نیوتن را توسعه می دهد
به اصول الگوریتم فیلتر تطبیقی LMS می‌پردازد، انواع فیلترهای تطبیقی LMS را در نظر می‌گیرد و مثال‌های متعددی ارائه می‌دهد
معرفی مختصر برای MATLAB®، ارائه مشکلات، آزمایش‌های کامپیوتری ارائه می‌کند. و بیش از 110 تابع و فایل اسکریپت

شامل ضمیمه های قوی کامل با جداول و فرمول های ریاضی، فیلتر تطبیقی: مبانی حداقل میانگین مربعات با MATLAB®به وضوح توضیح می دهد اصول کلیدی فیلترینگ تطبیقی را نشان می دهد و به طور موثر نحوه اعمال آنها را برای حل مشکلات دنیای واقعی نشان می دهد.

توضیحاتی درمورد کتاب به خارجی

Adaptive filters are used in many diverse applications, appearing in everything from military instruments to cellphones and home appliances. Adaptive Filtering: Fundamentals of Least Mean Squares with MATLAB® covers the core concepts of this important field, focusing on a vital part of the statistical signal processing area—the least mean square (LMS) adaptive filter.

This largely self-contained text:

Discusses random variables, stochastic processes, vectors, matrices, determinants, discrete random signals, and probability distributions
Explains how to find the eigenvalues and eigenvectors of a matrix and the properties of the error surfaces
Explores the Wiener filter and its practical uses, details the steepest descent method, and develops the Newton’s algorithm
Addresses the basics of the LMS adaptive filter algorithm, considers LMS adaptive filter variants, and provides numerous examples
Delivers a concise introduction to MATLAB®, supplying problems, computer experiments, and more than 110 functions and script files

Featuring robust appendices complete with mathematical tables and formulas, Adaptive Filtering: Fundamentals of Least Mean Squares with MATLAB® clearly describes the key principles of adaptive filtering and effectively demonstrates how to apply them to solve real-world problems.