دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Bayesian Filtering and Smoothing
دانلود کتاب فیلتر کردن و صاف کردن بیزی
مشخصات کتاب
Bayesian Filtering and Smoothing
ویرایش: 1
نویسندگان: Simo Särkkä
سری:
ISBN (شابک) : 110703065X, 9781107030657
ناشر: Cambridge University Press
سال نشر: 2013
تعداد صفحات: 252
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 39,000
کلمات کلیدی مربوط به کتاب فیلتر کردن و صاف کردن بیزی: است
در صورت تبدیل فایل کتاب Bayesian Filtering and Smoothing 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 کردن و صاف کردن بیزی 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 کردن و صاف کردن بیزی
روش‌های فیلتر و صاف‌سازی برای تولید تخمین دقیقی از وضعیت یک سیستم متغیر با زمان بر اساس ورودی‌های مشاهده‌ای متعدد (داده‌ها) استفاده می‌شود. علاقه به این روش ها در سال های اخیر افزایش یافته است و کاربردهای متعددی در زمینه هایی مانند ناوبری، مهندسی هوافضا، مخابرات و پزشکی ظهور کرده است. این مقدمه فشرده و غیررسمی برای دانشجویان فارغ التحصیل و کارشناسی ارشد پیشرفته ترین روش های فعلی فیلتر کردن و هموارسازی را در چارچوب یکپارچه بیزی ارائه می دهد. خوانندگان می آموزند که فیلترهای غیر خطی کالمن و فیلترهای ذرات چیست، چگونه به هم مرتبط هستند و مزایا و معایب نسبی آنها. آنها همچنین کشف می کنند که چگونه روش های پیشرفته تخمین پارامتر بیزی را می توان با پیشرفته ترین الگوریتم های فیلتر و صاف کردن ترکیب کرد. رویکرد عملی و الگوریتمی کتاب تنها پیش نیازهای ریاضی متوسطی را فرض می کند. به عنوان مثال می توان به محاسبات MATLAB و تمرین های متعدد پایان فصل شامل تکالیف محاسباتی اشاره کرد. کد منبع MATLAB/GNU Octave برای دانلود در www.cambridge.org/sarkka موجود است و کار عملی را با روش ها ترویج می کند.
توضیحاتی درمورد کتاب به خارجی
Filtering and smoothing methods are used to produce an accurate estimate of the state of a time-varying system based on multiple observational inputs (data). Interest in these methods has exploded in recent years, with numerous applications emerging in fields such as navigation, aerospace engineering, telecommunications and medicine. This compact, informal introduction for graduate students and advanced undergraduates presents the current state-of-the-art filtering and smoothing methods in a unified Bayesian framework. Readers learn what non-linear Kalman filters and particle filters are, how they are related, and their relative advantages and disadvantages. They also discover how state-of-the-art Bayesian parameter estimation methods can be combined with state-of-the-art filtering and smoothing algorithms. The book's practical and algorithmic approach assumes only modest mathematical prerequisites. Examples include MATLAB computations, and the numerous end-of-chapter exercises include computational assignments. MATLAB/GNU Octave source code is available for download at www.cambridge.org/sarkka, promoting hands-on work with the methods.
