دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: تقارن و گروه ویرایش: نویسندگان: Tanizaki H. سری: ناشر: سال نشر: 2000 تعداد صفحات: 23 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 146 کیلوبایت
در صورت تبدیل فایل کتاب Estimation of unknown parameters in nonlinear and non-Gaussian state-space models 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 برآورد پارامترهای مجهول در مدلهای فضای حالت غیرخطی و غیر گاوسی 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.
در دهه گذشته، فیلترها و صاف کننده های غیرخطی و غیر گاوسی مبتنی بر شبیه سازی مختلف پیشنهاد شده است. در مواردی که پارامترهای مجهول در سیستم غیرخطی و غیر گاوسی گنجانده می شوند، تخمین پارامترها همراه با متغیرهای حالت بسیار دشوار است، زیرا مدل فضای حالت شامل پارامترهای زیادی به طور کلی و شبیه سازی است. رویههای مبتنی بر خطاهای شبیهسازی یا خطاهای نمونهگیری هستند. بنابراین، به وضوح، تخمین دقیق پارامترها را نمی توان به دست آورد (یعنی تخمین های به دست آمده ممکن است بهینه جهانی نباشند). در این مقاله، سعی شده است متغیرهای حالت و پارامترهای مجهول به طور همزمان تخمین زده شود، جایی که روش بهینهسازی مونت کارلو برای حداکثر کردن تابع درستنمایی اتخاذ شده است.
For the last decade, various simulation-based nonlinear and non-Gaussian filters and smoothers have been proposed. In the case where the unknown parameters are included in the nonlinear and non-Gaussian system, however, it is very difficult to estimate the parameters together with the state variables, because the state-space model includes a lot of parameters in general and the simulation-based procedures are subject to the simulation errors or the sampling errors. Therefore, clearly, precise estimates of the parameters cannot be obtained (i.e., the obtained estimates may not be the global optima). In this paper, an attempt is made to estimate the state variables and the unknown parameters simultaneously, where the Monte Carlo optimization procedure is adopted for maximization of the likelihood function.