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
ویرایش: نویسندگان: Cappé. Olivier, Moulines. Eric, Rydén. Tobias سری: Springer series in statistics ISBN (شابک) : 0387402640, 9780387402642 ناشر: Springer سال نشر: 2005 تعداد صفحات: 668 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب استنباط در مدلهای پنهان مارکوف: فرآیندهای مارکوف.، مارکوف، فرآیند د.، مدل مارکوف.، آمار ریاضی.
در صورت تبدیل فایل کتاب Inference in hidden Markov 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 استنباط در مدلهای پنهان مارکوف 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.
این کتاب درمان جامع استنتاج برای مدلهای پنهان مارکوف، شامل الگوریتمها و تئوری آماری است. موضوعات از فیلتر کردن و هموارسازی زنجیره مارکوف پنهان تا تخمین پارامتر، روشهای بیزی و تخمین تعداد حالتها متغیر است. به روشی یکپارچه، این کتاب هر دو مدل با فضاهای حالت محدود و مدلهای با فضاهای حالت پیوسته (که مدلهای فضای حالت نیز نامیده میشوند) را پوشش میدهد که نیاز به الگوریتمهای مبتنی بر شبیهسازی تقریبی دارند که همچنین به تفصیل شرح داده شدهاند. مثالهای زیادی الگوریتمها و نظریهها را نشان میدهند. این کتاب مبتنی بر تحولات اخیر است تا دیدگاهی مستقل ارائه دهد.
This book is a comprehensive treatment of inference for hidden Markov models, including both algorithms and statistical theory. Topics range from filtering and smoothing of the hidden Markov chain to parameter estimation, Bayesian methods and estimation of the number of states. In a unified way the book covers both models with finite state spaces and models with continuous state spaces (also called state-space models) requiring approximate simulation-based algorithms that are also described in detail. Many examples illustrate the algorithms and theory. This book builds on recent developments to present a self-contained view.
Introduction....Pages 1-34
Main Definitions and Notations....Pages 35-47
Front Matter....Pages 49-49
Filtering and Smoothing Recursions....Pages 51-76
Advanced Topics in Smoothing....Pages 77-120
Applications of Smoothing....Pages 121-159
Monte Carlo Methods....Pages 161-208
Sequential Monte Carlo Methods....Pages 209-250
Advanced Topics in Sequential Monte Carlo....Pages 251-286
Analysis of Sequential Monte Carlo Methods....Pages 287-343
Front Matter....Pages 345-345
Maximum Likelihood Inference, Part I: Optimization Through Exact Smoothing....Pages 347-395
Maximum Likelihood Inference, Part II: Monte Carlo Optimization....Pages 397-439
Statistical Properties of the Maximum Likelihood Estimator....Pages 441-469
Fully Bayesian Approaches....Pages 471-510
Front Matter....Pages 511-511
Elements of Markov Chain Theory....Pages 513-564
An Information-Theoretic Perspective on Order Estimation....Pages 565-601