ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Radar Detection: Model-Based, Data-Driven and Hybrid Approaches

دانلود کتاب تشخیص رادار تطبیقی: رویکردهای مبتنی بر مدل، داده محور و ترکیبی

Adaptive Radar Detection: Model-Based, Data-Driven and Hybrid Approaches

مشخصات کتاب

Adaptive Radar Detection: Model-Based, Data-Driven and Hybrid Approaches

دسته بندی: الکترونیک: پردازش سیگنال
ویرایش:  
نویسندگان:   
سری: Artech House Radar Library 
ISBN (شابک) : 163081900X, 9781630819002 
ناشر: Artech House 
سال نشر: 2022 
تعداد صفحات: 235 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 30 مگابایت 

قیمت کتاب (تومان) : 36,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Adaptive Radar Detection: Model-Based, Data-Driven and Hybrid Approaches 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 تشخیص رادار تطبیقی: رویکردهای مبتنی بر مدل، داده محور و ترکیبی 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 درمورد کتاب به خارجی



فهرست مطالب

Adaptive Radar Detection Model-Based, Data-Driven, and Hybrid Approaches
	Contents
	Preface
	Acknowledgments
	1
Model-Based Adaptive Radar Detection
		1.1 Introduction to Radar Processing
			1.1.1 Generalities and Basic Terminology of Coherent Radars
			1.1.2 Array Processing and Space-Time Adaptive Processing
			1.1.3 Target Detection and Performance Metrics
		1.2 Unstructured Signal in White Noise
			1.2.1 Old but Gold: Basic Signal Detection and the Energy Detector
			1.2.2 The Neyman–Pearson Approach
			1.2.3 Adaptive CFAR Detection
			1.2.4 Correlated Signal Model in White Noise
		1.3 Structured Signal in White Noise
			1.3.1 Detection of a Structured Signal in White Noise and Matched Filter
			1.3.2 Generalized Likelihood Ratio Test
			1.3.3 Detection of an Unknown Rank-One Signal in White Noise
			1.3.4 Steering Vector Known up to a Parameter and Doppler Processing
		1.4 Adaptive Detection in Colored Noise
			1.4.1 One-Step, Two-Step, and Decoupled Processing
			1.4.2 General Hypothesis Testing Problem via GLRT: A Comparison
			1.4.3 Behavior under Mismatched Conditions: Robustness vs Selectivity
			1.4.4 Model-Based Design of Adaptive Detectors
		1.5 Summary
		References
	2 Classification Problems and Data-Driven Tools
		2.1 General Decision Problems and Classification
			2.1.1 M-ary Decision Problems
			2.1.2 Classifiers and Decision Regions
			2.1.3 Binary Classification vs Radar Detection
			2.1.4 Signal Representation and Universal Approximation
		2.2 Learning Approaches and Classification Algorithms
			2.2.1 Statistical Learning
			2.2.2 Bias-Variance Trade-Off
		2.3 Data-Driven Classifiers
			2.3.1 k-Nearest Neighbors
			2.3.2 Linear Methods for Dimensionality Reduction and Classification
			2.3.3 Support Vector Machine and Kernel Methods
			2.3.4 Decision Trees and Random Forests
			2.3.5 Other Machine Learning Tools
		2.4 Neural Networks and Deep Learning
			2.4.1 Multilayer Perceptron
			2.4.2 Feature Engineering vs Feature Learning
			2.4.3 Deep Learning
		2.5 Summary
		References
	3
Radar Applications of Machine Learning
		3.1 Data-Driven Radar Applications
		3.2 Classification of Communication and Radar Signals
			3.2.1 Automatic Modulation Recognition and Physical-Layer Applications
			3.2.2 Datasets and Experimentation
			3.2.3 Classification of Radar Signals and Radiation Sources
		3.3 Detection Based on Supervised Machine Learning
			3.3.1 SVM-Based Detection with Controlled PFA
			3.3.2 Decision Tree-Based Detection with Controlled PFA
			3.3.3 Revisiting the Neyman–Pearson Approach
			3.3.4 SVM and NN for CFAR Processing
			3.3.5 Feature Spaces with (Generalized) CFAR Property
			3.3.6 Deep Learning Based Detection
		3.4 Other Approaches
			3.4.1 Unsupervised Learning and Anomaly Detection
			3.4.2 Reinforcement Learning
		3.5 Summary
		References
	4 Hybrid Model-Based and Data-Driven Detection
		4.1 Concept Drift, Retraining, and Adaptiveness
		4.2 Hybridization Approaches
			4.2.1 Different Dimensions of Hybridization
			4.2.2 Hybrid Model-Based and Data-Driven Ideas in Signal Processing and Communications
		4.3 Feature Spaces Based onWell-Known Statistics or Raw Data
			4.3.1 Nonparametric Learning: k-Nearest Neighbor
			4.3.2 Quasi-Whitened Raw Data as Feature Vector
			4.3.3 Well-Known CFAR Statistics as a Feature Vector
		4.4 Rethinking Model-Based Detection in a CFAR Feature Space
			4.4.1 Maximal Invariant Feature Space
			4.4.2 Characterizing Model-Based Detectors in CFAR-FP
			4.4.3 Design Strategies in the CFAR-FP
		4.5 Summary
		References
	5 Theories, Interpretability,
and Other Open Issues
		5.1 Challenges in Machine Learning
		5.2 Theories for (Deep) Neural Networks
			5.2.1 Network Structures and Unrolling
			5.2.2 Information Theory, Coding, and Sparse Representation
			5.2.3 Universal Mapping, Expressiveness, and Generalization
			5.2.4 Overparametrized Interpolation, Reproducing Kernel Hilbert Spaces, and Double Descent
			5.2.5 Mathematics of Deep Learning, Statistical Mechanics, and Signal
Processing
		5.3 Open Issues
			5.3.1 Adversarial Attacks
			5.3.2 Stability, Efficiency, and Interpretability
			5.3.3 Visualization
			5.3.4 Sustainability, Marginal Return, and Patentability
		5.4 Summary
		References
	List of Acronyms
	List of Symbols
	About the Author
	Index




نظرات کاربران