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: 2ed. نویسندگان: Lewis F., Xie L., Popa D. سری: ISBN (شابک) : 0849390087 ناشر: CRC سال نشر: 2007 تعداد صفحات: 547 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Optimal and robust estimation 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 تخمین بهینه و قوی 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.
نسخه به روز شده این متن کلاسیک منعکس کننده پیشرفت های جدید در نظریه برآورد و تکنیک های طراحی است. ویژگی عمده این متن گنجاندن روش های قوی است. سه فصل جدید فیلتر کالمن قوی، فیلتر H-infinity و فیلتر H-infinity سیستم های زمان گسسته را پوشش می دهد. کتاب مملو از مثال هایی است که کاربردهای عملی نظریه و مفاهیم را برجسته می کند. الگوریتمهای طراحی بهراحتی در جداول ظاهر میشوند و به دانشآموزان اجازه میدهند تا مرجع سریع، پیادهسازی آسان در نرمافزار، و مقایسههای بصری برای انتخاب بهترین الگوریتم برای یک برنامه خاص را انجام دهند. علاوه بر این، کد MATLAB(R) قابل دانلود به خوانندگان اجازه می دهد تا تجربه عملی کسب کنند.
The updated edition of this classic text reflects new developments in estimation theory and design techniques. The major feature of this text is the inclusion of robust methods. Three new chapters cover the robust Kalman filter, H-infinity filtering, and H-infinity filtering of discrete-time systems. The book overflows with examples that highlight practical applications of the theory and concepts. Design algorithms appear conveniently in tables, allowing students quick reference, easy implementation into software, and intuitive comparisons for selecting the best algorithm for a given application. In addition, downloadable MATLAB(R) code allows readers to gain hands-on experience.
Cover......Page 1
Half Title Page......Page 5
Copyright......Page 6
Title Page......Page 7
Dedication......Page 8
Contents......Page 11
Preface......Page 17
Authors......Page 19
Subject......Page 21
Audience......Page 23
I: Optimal Estimation......Page 25
1.1 Mean-Square Estimation......Page 27
1.2 Maximum-Likelihood Estimation......Page 43
1.3 The Cramér–Rao Bound......Page 49
1.4 Recursive Estimation......Page 52
1.5 Wiener Filtering......Page 58
Problems......Page 74
2.1 Deterministic State Observer......Page 83
2.2 Linear Stochastic Systems......Page 88
2.3 The Discrete-Time Kalman Filter......Page 94
2.4 Discrete Measurements of Continuous-Time Systems......Page 108
2.5 Error Dynamics and Statistical Steady State......Page 125
2.6 Frequency Domain Results......Page 136
2.7 Correlated Noise and Shaping Filters......Page 147
2.8 Optimal Smoothing......Page 156
Problems......Page 164
3.1 Derivation from Discrete Kalman Filter......Page 175
3.2 Some Examples......Page 181
3.3 Derivation from Wiener–Hope Equation......Page 190
3.4 Error Dynamics and Statistical Steady State......Page 201
3.5 Frequency Domain Results......Page 204
3.6 Correlated Noise and Shaping Filters......Page 212
3.7 Discrete Measurements of Continuous-Time Systems......Page 217
3.8 Optimal Smoothing......Page 221
Problems......Page 228
4.1 Modeling Errors, Divergence, and Exponential Data Weighting......Page 237
4.2 Reduced-Order Filters and Decoupling......Page 260
4.3 Using Suboptimal Gains......Page 273
4.4 Scalar Measurement Updating......Page 277
Problems......Page 278
5.1 Update of the Hyperstate......Page 283
5.2 General Update of Mean and Covariance......Page 289
5.3 Extended Kalman Filter......Page 295
5.4 Application to Adaptive Sampling......Page 307
Problems......Page 329
II: Robust Estimation......Page 337
6.1 Systems with Modeling Uncertainties......Page 339
6.2 Robust Finite Horizon Kalman a Priori Filter......Page 341
6.3 Robust Stationary Kalman a Priori Filter......Page 345
6.4 Convergence Analysis......Page 350
6.5 Linear Matrix Inequality Approach......Page 355
6.6 Robust Kalman Filtering for Continuous-Time Systems......Page 365
Proofs of Theorems......Page 367
Problems......Page 374
7.1 H[sub(∞)] Filtering Problem......Page 377
7.2 Finite Horizon H[sub(∞)] Linear Filter......Page 381
7.3 Characterization of All Finite Horizon H[sub(∞)] Linear Filters......Page 385
7.4 Stationary H[sub(∞)] Filter—Riccati Equation Approach......Page 389
7.5 Relationship with the Kalman Filter......Page 397
7.6 Convergence Analysis......Page 398
7.7 H[sub(∞)] Filtering for a Special Class of Signal Models......Page 402
7.8 Stationary H[sub(∞)] Filter—Linear Matrix Inequality Approach......Page 406
Problems......Page 407
8.1 Discrete-Time H[sub(∞)] Filtering Problem......Page 411
8.2 H[sub(∞)] a Priori Filter......Page 414
8.3 H[sub(∞)] a Posteriori Filter......Page 424
8.4 Polynomial Approach to H[sub(∞)] Estimation......Page 432
8.5 J-Spectral Factorization......Page 434
8.6 Applications in Channel Equalization......Page 438
Problems......Page 443
III: Optimal Stochastic Control......Page 445
9.1 Dynamic Programming Approach......Page 447
9.2 Continuous-Time Linear Quadratic Gaussian Problem......Page 467
9.3 Discrete-Time Linear Quadratic Gaussian Problem......Page 477
Problems......Page 481
10.1 Polynomial Representation of Stochastic Systems......Page 487
10.2 Optimal Prediction......Page 489
10.3 Minimum Variance Control......Page 493
10.4 Polynomial Linear Quadratic Gaussian Regulator......Page 497
Problems......Page 505
A.1 Basic Definitions and Facts......Page 509
A.2 Partitioned Matrices......Page 510
A.3 Quadratic Forms and Definiteness......Page 512
A.4 Matrix Calculus......Page 514
References......Page 517
Index......Page 525