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: الگوریتم ها و ساختارهای داده ویرایش: نویسندگان: Yanwei Wang, Jian Li, Petre Stoica سری: Synthesis Lectures on Signal Processing ISBN (شابک) : 1598290002, 9781598290004 ناشر: Morgan & Claypool Publishers سال نشر: 2005 تعداد صفحات: 108 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 Spectral Analysis of Signals: The Missing Data Case 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 تجزیه و تحلیل طیفی سیگنال ها: مورد داده های گمشده (سخنرانی های سنتز در مورد پردازش سیگنال) 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.
تخمین طیفی در بسیاری از زمینه ها از جمله نجوم، هواشناسی، زلزله شناسی، ارتباطات، اقتصاد، تجزیه و تحلیل گفتار، تصویربرداری پزشکی، رادار، سونار و آکوستیک زیر آب مهم است. اکثر الگوریتمهای تخمین طیفی موجود برای توالیهای داده کامل نمونهبرداری شده یکنواخت ابداع شدهاند. با این حال، تخمین طیفی برای توالیهای داده با نمونههای گمشده نیز در بسیاری از کاربردها از آنالیز سریهای زمانی نجومی گرفته تا تصویربرداری رادار دیافراگم مصنوعی با تنوع زاویهای مهم است. برای تخمین طیفی در مورد دادههای گمشده، چالش این است که چگونه تکنیکهای تخمین طیفی موجود را برای مقابله با این نمونههای دادههای گمشده گسترش دهیم. اخیراً، تکنیکهای مبتنی بر فیلتر تطبیقی ناپارامتری با موفقیت برای مشکلات مختلف دادههای گمشده توسعه یافتهاند. در مجموع، این الگوریتمها مجموعه ابزار جامعی را برای مشکل دادههای از دست رفته بر اساس رویکردهای بانک فیلتر تطبیقی ناپارامتریک، که قوی و دقیق هستند، ارائه میکنند و میتوانند وضوح بالا و حاشیههای جانبی کم را ارائه دهند. در این کتاب، ما این الگوریتم ها را برای مسائل تخمین طیفی یک بعدی و دو بعدی ارائه می کنیم.
Spectral estimation is important in many fields including astronomy, meteorology, seismology, communications, economics, speech analysis, medical imaging, radar, sonar, and underwater acoustics. Most existing spectral estimation algorithms are devised for uniformly sampled complete-data sequences. However, the spectral estimation for data sequences with missing samples is also important in many applications ranging from astronomical time series analysis to synthetic aperture radar imaging with angular diversity. For spectral estimation in the missing-data case, the challenge is how to extend the existing spectral estimation techniques to deal with these missing-data samples. Recently, nonparametric adaptive filtering based techniques have been developed successfully for various missing-data problems. Collectively, these algorithms provide a comprehensive toolset for the missing-data problem based exclusively on the nonparametric adaptive filter-bank approaches, which are robust and accurate, and can provide high resolution and low sidelobes. In this book, we present these algorithms for both one-dimensional and two-dimensional spectral estimation problems.
KEYWORDS......Page 5
Contents......Page 6
Preface......Page 8
List of Abbreviations......Page 9
1.1 COMPLETE-DATA CASE......Page 10
1.2 MISSING-DATA CASE......Page 11
1.3 SUMMARY......Page 12
2.1 INTRODUCTION......Page 14
2.3 FORWARD-ONLY APES ESTIMATOR......Page 15
2.5 FORWARD–BACKWARD AVERAGING......Page 17
2.6 FAST IMPLEMENTATION......Page 20
3.1 INTRODUCTION......Page 22
3.2 GAPES......Page 23
3.3 TWO-DIMENSIONAL GAPES......Page 27
3.4 NUMERICAL EXAMPLES......Page 33
4.2 ML FITTING BASED SPECTRAL ESTIMATOR......Page 40
4.3 REMARKS ON THE ML FITTING CRITERION......Page 42
5.1 INTRODUCTION......Page 44
5.2 EM FOR MISSING-DATA SPECTRAL ESTIMATION......Page 45
5.3 MAPES-EM1......Page 46
5.4 MAPES-EM2......Page 50
5.5 ASPECTS OF INTEREST......Page 54
5.6 MAPES COMPARED WITH GAPES......Page 56
5.7 NUMERICAL EXAMPLES......Page 57
6.1 INTRODUCTION......Page 70
6.2 TWO-DIMENSIONAL ML-BASED APES......Page 71
6.3 TWO-DIMENSIONAL MAPES VIA EM......Page 73
6.4 TWO-DIMENSIONAL MAPES VIA CM......Page 81
6.5 MAPES-EM VERSUS MAPES-CM......Page 83
6.6 NUMERICAL EXAMPLES......Page 84
7.1 CONCLUDING REMARKS......Page 96
7.2 ONLINE SOFTWARE......Page 97
References......Page 100
JIAN LI......Page 106
PETRE STOICA......Page 107