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
دسته بندی: تجهیزات هوافضا ویرایش: نویسندگان: J. R. Guerci سری: Artech House radar library ISBN (شابک) : 1580533779, 9781580536998 ناشر: Artech House سال نشر: 2003 تعداد صفحات: 203 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Space-time adaptive processing for radar 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 پردازش تطبیقی فضا-زمان برای رادار 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.
این کتاب که برای مهندسین آشنا با رادار، الکترومغناطیسی و پردازش سیگنال نوشته شده است، مدلهای فضا-زمان مرتبه اول اولیه را برای شلوغی و پارازیت ایجاد میکند، جزئیات مهم درجه دوم و اثرات بالاتر را ارائه میکند و الگوریتمهای مدرن پردازش تطبیقی فضا-زمان (STAP) را معرفی میکند. Guerci (آژانس پروژههای تحقیقاتی پیشرفته دفاعی) نمونههای طراحی را ارائه میکند که روشهایی را نشان میدهد که در آنها روشهای مختلف STAP با رتبه کاهشیافته را میتوان ترکیب کرد تا عملکرد خوبی سیگنال به تداخل به علاوه نسبت نویز (SINR) به دست آورد، اما با کاهش پشتیبانی نمونه و الزامات محاسباتی، و معماری های محاسباتی فاکتورسازی QR را به یک ماتریس کوواریانس مخروطی گسترش می دهد.
Written for engineers familiar with radar, electromagnetics and signal processing, this book establishes basic first order space-time models for clutter and jamming, details important second order and higher effects, and introduces modern space-time adaptive processing (STAP) algorithms. Guerci (Defense Advanced Research Projects Agency) presents design examples that illustrate ways in which various reduced rank STAP methods can be combined to yield good signal-to- interference plus noise ratio (SINR) performance, but with reduced sample support and computational requirements, and extends QR factorization computing architectures to a covariance matrix taper.