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: Kevin Wagner. Milos Doroslovacki
سری:
ISBN (شابک) : 9781848214705
ناشر: Wiley
سال نشر: 2013
تعداد صفحات: 182
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 16 مگابایت
در صورت تبدیل فایل کتاب Proportionate-type Normalized Least Mean Square Algorithms 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 الگوریتم مربع حداقل میانگین نرمال شده متناسب 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.
موضوع این کتاب، الگوریتمهای فیلتر تطبیقی حداقل میانگین مربعات نرمالشده (PtNLMS) از نوع متناسب است که سعی میکند با دادن سودهای متناسب با برآورد پاسخ ضربه و خطای اندازهگیری شده فعلی، یک پاسخ ضربه ناشناخته را تخمین بزند. این الگوریتمها پیچیدگی محاسباتی کم و زمانهای همگرایی سریع را برای پاسخهای تکانه پراکنده در شبکه و برنامههای لغو اکو آکوستیک ارائه میکنند. الگوریتمهای جدید PtNLMS با انتخاب دستاوردهایی توسعه مییابند که معیارهای تعریفشده توسط کاربر، مانند میانگین مربعات خطا را در همه زمانها بهینه میکنند. الگوریتمهای PtNLMS از سیگنالهای با ارزش واقعی به سیگنالهای با ارزش پیچیده گسترش یافتهاند. پیچیدگی محاسباتی الگوریتم های ارائه شده مورد بررسی قرار می گیرد.
The topic of this book is proportionate-type normalized least mean squares (PtNLMS) adaptive filtering algorithms, which attempt to estimate an unknown impulse response by adaptively giving gains proportionate to an estimate of the impulse response and the current measured error. These algorithms offer low computational complexity and fast convergence times for sparse impulse responses in network and acoustic echo cancellation applications. New PtNLMS algorithms are developed by choosing gains that optimize user-defined criteria, such as mean square error, at all times. PtNLMS algorithms are extended from real-valued signals to complex-valued signals. The computational complexity of the presented algorithms is examined.