ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Prediction, filtering and smoothing in non-linear and non-normal cases using Monte Carlo integration

دانلود کتاب پیش بینی، فیلتر کردن و هموارسازی در موارد غیر خطی و غیر عادی با استفاده از ادغام مونت کارلو

Prediction, filtering and smoothing in non-linear and non-normal cases using Monte Carlo integration

مشخصات کتاب

Prediction, filtering and smoothing in non-linear and non-normal cases using Monte Carlo integration

ویرایش:  
نویسندگان: ,   
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 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


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.


توضیحاتی در مورد کتاب پیش بینی، فیلتر کردن و هموارسازی در موارد غیر خطی و غیر عادی با استفاده از ادغام مونت کارلو

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.


توضیحاتی درمورد کتاب به خارجی

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.





نظرات کاربران