دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Automatic Autocorrelation and Spectral Analysis
دانلود کتاب همبستگی خودکار و تحلیل طیفی
مشخصات کتاب
Automatic Autocorrelation and Spectral Analysis
ویرایش: 1
نویسندگان: Piet M. T. Broersen PhD (auth.)
سری:
ISBN (شابک) : 9781846283284, 9781846283291
ناشر: Springer-Verlag London
سال نشر: 2006
تعداد صفحات: 300
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 35,000
کلمات کلیدی مربوط به کتاب همبستگی خودکار و تحلیل طیفی: پردازش سیگنال، تصویر و گفتار، آمار برای مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین، روش‌های عددی و محاسباتی در مهندسی، پردازش تصویر و بینایی کامپیوتری، تشخیص الگو
در صورت تبدیل فایل کتاب Automatic Autocorrelation and Spectral Analysis 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 همبستگی خودکار و تحلیل طیفی 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 همبستگی خودکار و تحلیل طیفی
خودهمبستگی خودکار و تجزیه و تحلیل طیفی به داده‌های تصادفی زبانی می‌دهد تا اطلاعاتی را که در آنها وجود دارد به صورت عینی ارتباط برقرار کند.
در عمل فعلی از تجزیه و تحلیل طیفی، تصمیمات ذهنی باید گرفته شود که همه آنها بر تخمین طیفی نهایی تأثیر می گذارند و بدین معنی است که تحلیلگران مختلف نتایج متفاوتی را از مشاهدات تصادفی ثابت یکسان به دست می آورند. پردازش سیگنال آماری می تواند بر این مشکل غلبه کند و راه حل منحصر به فردی برای هر مجموعه ای از مشاهدات ایجاد کند، اما این راه حل تنها در صورتی قابل قبول است که به بهترین دقت قابل دستیابی برای اکثر انواع داده های ثابت نزدیک باشد.
Automatic. خودهمبستگی و آنالیز طیفی روشی را توصیف می‌کند که معیار حل تقریباً بهینه بالا را برآورده می‌کند. از قدرت محاسباتی بیشتر و الگوریتم‌های قوی برای تولید مدل‌های کاندید کافی برای اطمینان از ارائه یک کاندید مناسب برای داده‌های داده شده استفاده می‌کند. بهبود کیفیت انتخاب سفارش تضمین می کند که یکی از بهترین ها (و اغلب بهترین ها) به طور خودکار انتخاب می شود. خود داده ها بهترین نمایش آنها را نشان می دهد. در صورتی که تحلیلگر بخواهد مداخله کند، می توان جایگزین هایی ارائه کرد. این متن برای دانشجویان فارغ‌التحصیل پردازش سیگنال و برای محققان و مهندسان با استفاده از تجزیه و تحلیل سری‌های زمانی برای کاربردهای عملی از پیشگیری از خرابی در ماشین‌های سنگین تا اندازه‌گیری نویز ریه برای تشخیص پزشکی نوشته شده است:
• آموزش نحوه تخمین و تفسیر چگالی طیفی توان و تابع همبستگی خودکار داده های تصادفی در مدل های سری زمانی؛
• پشتیبانی گسترده از جعبه ابزار MATLAB® ARMAsel؛
• برنامه‌هایی که روش‌ها را در عمل نشان می‌دهند؛
• ریاضیات مناسب برای دانش‌آموزان برای استفاده از روش‌ها همراه با مراجع برای کسانی که می‌خواهند آنها را بیشتر توسعه دهند.
توضیحاتی درمورد کتاب به خارجی
Automatic Autocorrelation and Spectral Analysis gives random data a language to communicate the information they contain objectively.
In the current practice of spectral analysis, subjective decisions have to be made all of which influence the final spectral estimate and mean that different analysts obtain different results from the same stationary stochastic observations. Statistical signal processing can overcome this difficulty, producing a unique solution for any set of observations but that solution is only acceptable if it is close to the best attainable accuracy for most types of stationary data.
Automatic Autocorrelation and Spectral Analysis describes a method which fulfils the above near-optimal-solution criterion. It takes advantage of greater computing power and robust algorithms to produce enough candidate models to be sure of providing a suitable candidate for given data. Improved order selection quality guarantees that one of the best (and often the best) will be selected automatically. The data themselves suggest their best representation. Should the analyst wish to intervene, alternatives can be provided. Written for graduate signal processing students and for researchers and engineers using time series analysis for practical applications ranging from breakdown prevention in heavy machinery to measuring lung noise for medical diagnosis, this text offers:
• tuition in how power spectral density and the autocorrelation function of stochastic data can be estimated and interpreted in time series models;
• extensive support for the MATLAB® ARMAsel toolbox;
• applications showing the methods in action;
• appropriate mathematics for students to apply the methods with references for those who wish to develop them further.
فهرست مطالب
Cover......Page 1
Automatic\rAutocorrelation and\rSpectral Analysis......Page 3
ISBN-13: 9781846283284......Page 4
Preface......Page 8
Contents......Page 10
1.1 Time Series Problems......Page 15
2.1 Random Variables......Page 25
2.2 Normal Distribution......Page 28
2.3 Conditional Densities......Page 11
2.4 Functions of Random Variables......Page 32
2.5 Linear Regression......Page 34
2.6 General Estimation Theory......Page 37
2.7 Exercises......Page 40
3.1 Stochastic Processes......Page 43
3.2 Autocorrelation Function......Page 45
3.3 Spectral Density Function......Page 47
3.4 Estimation of Mean and Variance......Page 52
3.5 Autocorrelation Estimation......Page 54
3.6 Periodogram Estimation......Page 63
3.7 Summary of Nonparametric Methods......Page 69
3.8 Exercises......Page 70
4.1 Time Series Models......Page 73
4.2 White Noise......Page 74
4.3 Moving Average Processes......Page 75
4.4 Autoregressive Processes......Page 77
4.5 ARMA( p,q) Processes......Page 88
4.6 Harmonic Processes with Poles on the Unit Circle......Page 92
4.7 Spectra of Time Series Models......Page 94
4.8 Exercises......Page 100
5.2 Yule-Walker Relations and the Levinson-Durbin Recursion......Page 103
5.3 Additional AR Representations......Page 109
5.4 Additional AR Relations......Page 110
5.5 Relation for MA Parameters......Page 112
5.6 Accuracy Measures for Time Series Models......Page 113
5.7 ME and the Triangular Bias......Page 122
5.8 Computational Rules for the ME......Page 125
5.9 Exercises......Page 127
6.1 Historical Remarks About Spectral Estimation......Page 131
6.2 Are Time Series Models Generally Applicable?......Page 134
6.3 Maximum Likelihood Estimation......Page 135
6.4 AR Estimation Methods......Page 138
6.5 MA Estimation Methods......Page 149
6.6 ARMA Estimation Methods......Page 154
6.7 Covariance Matrix of ARMA Parameters......Page 169
6.8 Estimated Autocovariance and Spectrum......Page 174
6.9 Exercises......Page 178
7.1 Overview of Order Selection......Page 181
7.2 Order Selection in Linear Regression......Page 183
7.3 Asymptotic Order-selection Criteria......Page 190
7.4 Relations for Order-selection Criteria......Page 194
7.5 Finite-sample Order-selection Criteria......Page 197
7.6 Kullback-Leibler Discrepancy......Page 201
7.7 The Penalty Factor......Page 206
7.8 Finite-sample AR Criterion CIC......Page 214
7.9 Order-selection Simulations......Page 217
7.11 Exercises......Page 222
8.1 Introduction......Page 223
8.2 Intermediate AR Orders for MA and ARMA Estimation......Page 224
8.3 Reduction of the Number of ARMA Candidate Models......Page 227
8.4 Order Selection for MA Estimation......Page 230
8.5 Order Selection for ARMA Estimation......Page 232
8.6 Exercises......Page 235
9.2 Selection of the Model Type......Page 237
9.3 The Language of Random Data......Page 240
9.4 Reduced-statistics Order Selection......Page 241
9.5 Accuracy of Reduced-statistics Estimation......Page 244
9.6 ARMASA Applied to Harmonic Processes......Page 247
9.7 ARMASA Applied to Simulated Random Data......Page 249
9.8 ARMASA Applied to Real-life Data......Page 250
9.9 Exercises......Page 262
10.1 Accuracy of Lagged Product Autocovariance Estimates......Page 265
10.2 Generation of Data......Page 276
10.3 Subband Spectral Analysis......Page 278
10.4 Missing Data......Page 282
10.5 Irregular Data......Page 290
10.6 Exercises......Page 300
Bibliography......Page 301
Index......Page 309
