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: نظریه کنترل خودکار ویرایش: 1 نویسندگان: Juš Kocijan (auth.) سری: Advances in Industrial Control ISBN (شابک) : 9783319210216, 9783319210209 ناشر: Springer International Publishing سال نشر: 2016 تعداد صفحات: 281 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی و کنترل سیستم های دینامیکی با استفاده از مدل های فرآیند گاوسی: کنترل، شیمی صنعتی/مهندسی شیمی، آمار برای مهندسی، فیزیک، علوم کامپیوتر، شیمی و علوم زمین
در صورت تبدیل فایل کتاب Modelling and Control of Dynamic Systems Using Gaussian Process 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 مدل سازی و کنترل سیستم های دینامیکی با استفاده از مدل های فرآیند 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.
این مونوگراف افقهای جدیدی را برای مهندسان و محققان دانشگاهی و صنعتی که با پیشرفتهای جدید در زمینه شناسایی و کنترل سیستم سروکار دارند یا علاقهمند به پیشرفتهای جدید هستند میگشاید. این بر دستورالعملها برای راهحلهای کاری و توصیههای عملی برای اجرای آنها به جای پیشزمینه نظری مدلهای فرآیند گاوسی (GP) تأکید میکند. این کتاب پتانسیل این پیشرفت اخیر را در روشهای یادگیری ماشینی احتمالی نشان میدهد و به خواننده درک شهودی از موضوع میدهد. وضعیت فعلی هنر همراه با جهتگیریهای احتمالی آینده برای تحقیق بررسی میشود.
طراحی کنترل سیستمها بر مدلهای ریاضی متکی است و ممکن است از دادههای اندازهگیری توسعه داده شوند. این فرآیند شناسایی سیستم، زمانی که بر اساس مدلهای GP باشد، میتواند بخشی جدایی ناپذیر از طراحی کنترل در کنترل مبتنی بر داده باشد و توصیف آن به عنوان یک جنبه ضروری از متن است. پس زمینه رگرسیون GP ابتدا با شناسایی سیستم و ادغام دانش قبلی و سپس به کنترل کامل معرفی می شود. این کتاب با استفاده گسترده از مثالها، نقشههای خطی و ارائه گرافیکی نتایج شبیهسازی کامپیوتری و اندازهگیریهای گیاهی نشان داده شده است. نتایج تحقیق ارائه شده در مطالعات موردی واقعی که از برنامههای کاربردی موفقیتآمیز استخراج شدهاند به کار میروند:
یک جعبه ابزار MATLAB®، برای شناسایی و شبیهسازی
مدلهای GP پویا برای دانلود ارائه شده است.
This monograph opens up new horizons for engineers and researchers in academia and in industry dealing with or interested in new developments in the field of system identification and control. It emphasizes guidelines for working solutions and practical advice for their implementation rather than the theoretical background of Gaussian process (GP) models. The book demonstrates the potential of this recent development in probabilistic machine-learning methods and gives the reader an intuitive understanding of the topic. The current state of the art is treated along with possible future directions for research.
Systems control design relies on mathematical models and these may be developed from measurement data. This process of system identification, when based on GP models, can play an integral part of control design in data-based control and its description as such is an essential aspect of the text. The background of GP regression is introduced first with system identification and incorporation of prior knowledge then leading into full-blown control. The book is illustrated by extensive use of examples, line drawings, and graphical presentation of computer-simulation results and plant measurements. The research results presented are applied in real-life case studies drawn from successful applications including:
A MATLAB® toolbox, for identification and
simulation of dynamic GP models is provided for
download.
Front Matter....Pages i-xvi
Introduction....Pages 1-20
System Identification with GP Models....Pages 21-102
Incorporation of Prior Knowledge....Pages 103-146
Control with GP Models....Pages 147-208
Trends, Challenges and Research Opportunities....Pages 209-212
Case Studies....Pages 213-252
Back Matter....Pages 253-267