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: Tanizaki H., Mariano R.S. سری: ناشر: سال نشر: 1994 تعداد صفحات: 18 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Prediction, filtering and smoothing in non-linear and non-normal cases using Monte Carlo integration 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 پیش بینی، فیلتر کردن و هموارسازی در موارد غیر خطی و غیر عادی با استفاده از ادغام مونت کارلو 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.
یک فیلتر غیر خطی مبتنی بر شبیهسازی برای پیشبینی و هموارسازی در مدلهای سری زمانی ساختاری غیرخطی و/یا غیرعادی ایجاد شده است. الگوریتم های بازگشتی توابع وزن دهی با اعمال ادغام مونت کارلو به دست می آیند. از طریق آزمایشات مونت کارلو، نشان داده شده است که (1) برای تعداد کمی از ترسیم های تصادفی (یا گره ها) برآوردگر چگالی مبتنی بر شبیه سازی ما با استفاده از ادغام مونت کارلو (SDE) بهتر از روش ادغام عددی کیتاگاوا (KNI) عمل می کند، و (2) ) SDE و KNI تخمین پارامترهای مغرضانه کمتری نسبت به فیلتر کالمن توسعه یافته (EKF) ارائه می دهند. در نهایت، برآوردی از دادههای مصرف نهایی سرانه به عنوان یک کاربرد برای مسئله فیلتر غیرخطی در نظر گرفته شده است.
A simulation-based non-linear filter is developed for prediction and smoothing in non-linear and/or non-normal structural time-series models. Recursive algorithms of weighting functions are derived by applying Monte Carlo integration. Through Monte Carlo experiments, it is shown that (1) for a small number of random draws (or nodes) our simulation-based density estimator using Monte Carlo integration (SDE) performs better than Kitagawa's numerical integration procedure (KNI), and (2) SDE and KNI give less biased parameter estimates than the extended Kalman filter (EKF). Finally, an estimation of per capita final consumption data is taken as an application to the non-linear filtering problem.