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: Candy J.V
سری:
ISBN (شابک) : 9781119457763
ناشر: Wiley
سال نشر: 2019
تعداد صفحات: 529
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Model-based processing 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 پردازش مبتنی بر مدل 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.
پلی بین کاربرد روشهای مبتنی بر زیرفضا برای تخمین پارامتر در پردازش سیگنال و شناسایی سیستم مبتنی بر فضا در سیستمهای کنترل پردازش مبتنی بر مدل: یک رویکرد کاربردی شناسایی زیرفضا بینش تخصصی در مورد توسعه مدلهایی برای طراحی پردازندههای سیگنال مبتنی بر مدل (MBSP) ارائه میکند. بکارگیری تکنیکهای شناسایی زیرفضا برای دستیابی به شناسایی مبتنی بر مدل (MBID) و خوانندگان را قادر میسازد تا عملکرد کلی را با استفاده از روشهای اعتبارسنجی و تحلیل آماری ارزیابی کنند. این کتاب با تمرکز بر رویکردهای زیرفضایی برای مشکلات شناسایی سیستم، به خوانندگان میآموزد که مدلها را به سرعت شناسایی کرده و آنها را در مسائل مختلف پردازش از جمله تخمین وضعیت، ردیابی، تشخیص، طبقهبندی، کنترلها، ارتباطات و سایر برنامههایی که نیاز به مدلهای قابل اعتمادی دارند که میتوانند با آنها سازگار شوند، ترکیب کنند. محیط های پویا استخراج یک مدل از دادهها برای کاربردهای متعدد، از تشخیص زیردریاییها گرفته تا تعیین کانون زلزله تا کنترل وسایل نقلیه خودران، حیاتی است - که همگی نیاز به درک اساسی از فرآیندهای اساسی و ابزار اندازهگیری آنها دارند. این متن با تأکید بر راهحلهای دنیای واقعی برای انواع مشکلات توسعه مدل، نشان میدهد که چگونه شناسایی سیستم شناسایی زیرفضای مبتنی بر مدل، استخراج یک مدل را از توالی دادههای اندازهگیری شده از چندجملهایهای سری زمانی ساده تا ساختارهای پیچیده از سیستمهای توزیعشده غیرخطی تطبیقی پارامتریکی امکانپذیر میسازد. علاوه بر این، این منبع دارای ویژگی های زیر است: فیلتر کالمن برای سیستم های خطی، خطی و غیر خطی. فیلترهای مدرن بدون عطر کالمن؛ و همچنین فیلترهای ذرات بیزی طراحیهای عملی پردازنده شامل روشهای جامع تحلیل عملکرد، ارتباطی بین توسعه مدل و کاربردهای عملی در پردازش سیگنال مبتنی بر مدل ارائه میکند. خوانندگان برای پر کردن شکاف از پردازش سیگنال آماری تا شناسایی زیرفضا شامل ضمیمهها، مجموعههای مسئله، مطالعات موردی، مثالها و یادداشتهایی برای پردازش مبتنی بر مدل MATLAB: یک رویکرد شناسایی زیرفضای کاربردی مطالعهای ضروری برای دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد مهندسی و علوم است. و همچنین مهندسین شاغل در صنعت و دانشگاه.
A bridge between the application of subspace-based methods for parameter estimation in signal processing and subspace-based system identification in control systems Model-Based Processing: An Applied Subspace Identification Approach provides expert insight on developing models for designing model-based signal processors (MBSP) employing subspace identification techniques to achieve model-based identification (MBID) and enables readers to evaluate overall performance using validation and statistical analysis methods. Focusing on subspace approaches to system identification problems, this book teaches readers to identify models quickly and incorporate them into various processing problems including state estimation, tracking, detection, classification, controls, communications, and other applications that require reliable models that can be adapted to dynamic environments. The extraction of a model from data is vital to numerous applications, from the detection of submarines to determining the epicenter of an earthquake to controlling an autonomous vehicles—all requiring a fundamental understanding of their underlying processes and measurement instrumentation. Emphasizing real-world solutions to a variety of model development problems, this text demonstrates how model-based subspace identification system identification enables the extraction of a model from measured data sequences from simple time series polynomials to complex constructs of parametrically adaptive, nonlinear distributed systems. In addition, this resource features: Kalman filtering for linear, linearized, and nonlinear systems; modern unscented Kalman filters; as well as Bayesian particle filters Practical processor designs including comprehensive methods of performance analysis Provides a link between model development and practical applications in model-based signal processing Offers in-depth examination of the subspace approach that applies subspace algorithms to synthesized examples and actual applications Enables readers to bridge the gap from statistical signal processing to subspace identification Includes appendices, problem sets, case studies, examples, and notes for MATLAB Model-Based Processing: An Applied Subspace Identification Approach is essential reading for advanced undergraduate and graduate students of engineering and science as well as engineers working in industry and academia.
Cover......Page 1
Model-Based Processing:An Applied Subspace Identification Approach......Page 3
© 2019......Page 4
Dedication......Page 5
Contents......Page 6
Preface......Page 12
Acknowledgements......Page 20
Glossary......Page 21
1 Introduction......Page 24
2 Random Signals and Systems......Page 52
3 State-Space Models for Identification......Page 91
4 Model-Based Processors......Page 129
5 Parametrically Adaptive Processors......Page 207
6 Deterministic Subspace Identification......Page 253
7 Stochastic Subspace Identification......Page 331
8 Subspace Processors for Physics-Based Application......Page 412
Appendix A.Probability and Statistics Overview......Page 487
Appendix B.Projection Theory......Page 497
Appendix C.Matrix Decompositions......Page 504
Appendix D.Output-Only Subspace Identification......Page 508
Index......Page 513