دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Nonlinear filters based on Taylor series expansions
دانلود کتاب فیلترهای غیر خطی بر اساس بسط سری تیلور
مشخصات کتاب
Nonlinear filters based on Taylor series expansions
ویرایش: نویسندگان: Tanizaki H., Mariano R.S. سری: ناشر: سال نشر: 1976 تعداد صفحات: 21 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 130 کیلوبایت
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب Nonlinear filters based on Taylor series expansions 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 فیلترهای غیر خطی بر اساس بسط سری تیلور 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.
توضیحاتی در مورد کتاب فیلترهای غیر خطی بر اساس بسط سری تیلور
چکیده: فیلترهای غیرخطی مبتنی بر تقریب سری تیلور به طور گسترده برای سادگی محاسباتی مورد استفاده قرار می‌گیرند، حتی اگر تخمین‌های فیلتر آنها به وضوح بایاس باشد. در این مقاله، ابتدا، زمانی که توابع غیرخطی توسعه‌یافته را به الگوریتم فیلتر کالمن بازگشتی خطی استاندارد اعمال می‌کنیم، تقریبی را تحلیل می‌کنیم. در مرحله بعد، از آنجایی که متغیرهای حالت a(t) و a(t1) به عنوان یک توزیع نرمال شرطی اطلاعات تا زمان t - 1 (یعنی I(t-i)) در تقریب بسط سری تیلور تقریب می‌شوند، ممکن است مناسب باشد. برای ارزیابی هر انتظار با تولید اعداد تصادفی معمولی at و a(t-1) با توجه به I(t-i) و موارد خطای e(t) و n(t). بنابراین، ما فیلتر شبیه سازی مونت کارلو را با استفاده از قرعه کشی های تصادفی معمولی پیشنهاد می کنیم. در نهایت ما دو آزمایش مونت کارلو را انجام می‌دهیم، جایی که نتیجه می‌گیریم که فیلتر شبیه‌سازی مونت کارلو نسبت به فیلترهای غیرخطی مانند فیلتر کالمن توسعه‌یافته و فیلتر غیرخطی مرتبه دوم عملکرد برتری دارد.
توضیحاتی درمورد کتاب به خارجی
ABSTRACT: The nonlinear filters based on Taylor series approximation are broadly used for computational simplicity, even though their filtering estimates are clearly biased. In this paper, first, we analyze what is approximated when we apply the expanded nonlinear functions to the standard linear recursive Kalman filter algorithm. Next, since the state variables a(t) and a(t1) are approximated as a conditional normal distribution given information up to time t - 1 (i.e., I(t-i)) in approximation of the Taylor series expansion, it might be appropriate to evaluate each expectation by generating normal random numbers of at and a(t-1) given I(t-i) and those of the error terms e(t) and n(t). Thus, we propose the Monte-Carlo simulation filter using normal random draws. Finally we perform two Monte-Carlo experiments, where we obtain the result that the Monte-Carlo simulation filter has a superior performance over the nonlinear filters such as the extended Kalman filter and the second-order nonlinear filter.
