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
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.
front-matter......Page 1
1Introduction......Page 16
2Main Definitions and Notations......Page 50
3Filtering and Smoothing Recursions......Page 63
4Advanced Topics in Smoothing......Page 89
5Applications of Smoothing......Page 133
6Monte Carlo Methods......Page 172
7Sequential Monte Carlo Methods......Page 220
8Advanced Topics in Sequential Monte Carlo......Page 262
9Analysis of Sequential Monte Carlo Methods......Page 298
10Maximum Likelihood Inference, Part I Optimization Through Exact Smoothing......Page 355
11Maximum Likelihood Inference, Part II Monte Carlo Optimization......Page 404
12Statistical Properties of the Maximum Likelihood Estimator......Page 447
13Fully Bayesian Approaches......Page 476
14Elements of Markov Chain Theory......Page 516
15An Information-Theoretic Perspective on Order Estimation......Page 568
back-matter......Page 605