دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Poor Man’s Explanation of Kalman Filtering: Or how I stopped worrying and learned to love matrix inversion
دانلود کتاب توضیح مرد فقیر درباره فیلتر کالمن: یا اینکه چگونه دیگر نگران نبودم و یاد گرفتم که عاشق وارونگی ماتریس باشم
مشخصات کتاب
Poor Man’s Explanation of Kalman Filtering: Or how I stopped worrying and learned to love matrix inversion
ویرایش:
نویسندگان: Roger M. du Plessis
سری:
ناشر: North American Rockwell Electronics Group
سال نشر: 1967
تعداد صفحات: 24
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 818 کیلوبایت
قیمت کتاب (تومان) : 46,000
در صورت تبدیل فایل کتاب Poor Man’s Explanation of Kalman Filtering: Or how I stopped worrying and learned to love matrix inversion 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 توضیح مرد فقیر درباره فیلتر کالمن: یا اینکه چگونه دیگر نگران نبودم و یاد گرفتم که عاشق وارونگی ماتریس باشم 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 توضیح مرد فقیر درباره فیلتر کالمن: یا اینکه چگونه دیگر نگران نبودم و یاد گرفتم که عاشق وارونگی ماتریس باشم
دکتر R. E. Kalman مفهوم تخمین بهینه خود را در سال 1960 معرفی کرد. از آن زمان، تکنیک او ثابت کرده است که یک ابزار قدرتمند و کاربردی است. این رویکرد به ویژه برای بهینه سازی عملکرد سیستم های ناوبری زمینی و فضایی مدرن مناسب است. بسیاری از افرادی که مستقیماً در تجزیه و تحلیل سیستم‌ها دخالت ندارند، درباره فیلتر کالمن شنیده‌اند و علاقه خود را برای کسب اطلاعات بیشتر در مورد آن ابراز کرده‌اند. اگرچه تلاش شده است تا توضیحات ساده و شهودی در مورد فیلتر کالمن برای چنین افرادی ارائه شود، اما به نظر این نویسنده هیچ یک از این توضیحات کاملاً موفق نبوده است. تقریباً بدون استثنا، آنها تمایل دارند در اصطلاحات و نمادهای فضای حالت «فرقه» درگیر شوند. اما نمادگذاری ماتریسی، صرف نظر از اینکه چقدر مفید و کارآمد است، به خواننده ناآشنا برای درک مفاهیم کمک نمی کند. با کمال تعجب، علی رغم همه ریاضیات مبهم (که غیر قابل نفوذ ترین آنها را می توان در مقاله اصلی دکتر کالمن یافت)، فیلتر کالمن یک مفهوم نسبتاً مستقیم و ساده است. معادلات ماتریسی تمام عیار را می توان با ارائه به روشی که برای شهود جذاب باشد قابل فهم ساخت و تجزیه و تحلیل خطای آماری یا داده های عملکرد واقعی سیستم را می توان با درک شهودی نتایج مشاهده کرد. مقاله حاضر توضیح ساده ای از فیلتر کالمن ارائه می دهد که تقریباً برای همه خوانندگان قابل دسترسی خواهد بود. برجسته ترین ویژگی ها با استفاده از یک مثال بسیار ساده، کاملاً عاری از نمادهای ماتریسی و دینامیک پیچیده توضیح داده شده است. دومین مثال گویا از حوزه ناوبری اینرسی گرفته شده است، زیرا این یکی از پربارترین زمینه های کاربرد برای تخمین کالمن است. این مثال دوم کمی پیچیده تر برای توصیف بیشتر مفاهیم و اصطلاحات فیلترهای کالمن (به عنوان مثال \"بردار حالت\" و غیره) استفاده می شود. در عین حال، اجازه می دهد تا نگاه دقیق تری به عملیات واقعی درگیر در اعمال نظریه کالمن داشته باشیم. همه خوانندگان با نمادهای ماتریسی آشنا نیستند یا حوصله باز کردن تک تک معادلات را در بحث مثال دوم ندارند. با این حال، نویسنده احساس می کند که عمده این بحث توسط اکثر خوانندگانی که تمایل به تحلیل دارند درک خواهد شد. بدنه اصلی مقاله با نظرات کیفی در مورد مزایا و معایب عملی تکنیک کالمن و دشواری‌های بکارگیری آن در سیستم‌های واقعی به پایان می‌رسد. باز هم، سیستم های ناوبری به ویژه ذکر شده است. در نهایت، یک پیوست معیاری را برای برآورد بهینه تعریف می‌کند و معادلات برآورد بهینه مورد استفاده در مثال‌ها را استخراج می‌کند. همانطور که در مورد بدنه اصلی مقاله وجود دارد، ضمیمه در نظر گرفته شده است تا برای آن دسته از خوانندگانی که می توانند برخی از نظریه احتمالات خود را به خاطر بیاورند، یک مشتق کوچک از معادلات تخمین را به صورت آموزشی ارائه دهد.
توضیحاتی درمورد کتاب به خارجی
Dr. R. E. Kalman introduced his concept of optimum estimation in 1960. Since that time, his technique has proved to be a powerful and practical tool. The approach is particularly well suited for optimizing the performance of modern terrestrial and space navigation systems. Many people not directly involved in systems analysis have heard about Kalman filtering and have expressed an interest in learning more about it. Although attempts have been made to supply such people with simple, intuitive explanations of Kalman filtering, it is this writer's opinion that none of these explanations has been completely successful. Almost without exception, they have tended to become enmeshed in the jargon and state-space notation of the "cult". But matrix notation, regardless of how useful and efficient it may be, does not assist the uninitiated reader to understand the concepts. Surprisingly, in spite of all the obscure-looking mathematics (the most impenetrable of which can be found in Dr. Kalman's original paper), Kalman filtering is a fairly direct and simple concept. The full-blown matrix equations can be made intelligible by being presented in a way that appeals to the intuition, and a statistical error analysis or actual system performance data can be viewed with an intuitive understanding of the results. The present paper presents a straightforward explanation of Kalman filtering that will be accessible to virtually all readers. The most salient features are explained by means of a very simple example, entirely free from matrix notation and complicated dynamics. A second illustrative example is taken from the field of inertial navigation, since this is one of the most fruitful areas of application for Kalman estimation. This slightly more complicated second example is used to describe more of the concepts and terminology of Kalman filters (e.g., "state vector", and so forth). At the same time, it permits a closer look at the actual operations involved in applying Kalman theory. Not all readers will have the familiarity with matrix notation or the patience to unravel every single equation in the discussion of the second example. The writer feels, however, that the gist of this discussion will be grasped by the majority of those readers who are analytically inclined. The main body of the paper concludes with qualitative comments concerning the practical advantages and disadvantages of the Kalman technique and the difficulties of applying it in actual systems. Again, navigation systems are particularly cited. Finally, an appendix defines a criterion for optimum estimation and derives the optimum estimation equations used in the examples. As is the case with the main body of the paper, the appendix is intended to be tutorial and to provide, for those readers who can recall some of their probability theory, a thumbnail derivation of the estimation equations.
