System Identification with Quantized Observations

این کتاب روش‌های اخیراً توسعه‌یافته را ارائه می‌کند که از اطلاعات کوانتیزه‌شده در شناسایی سیستم استفاده می‌کند و پتانسیل آن‌ها را در گسترش قابلیت‌های کنترل برای سیستم‌هایی با اطلاعات حسگر محدود یا سیستم‌های شبکه‌ای بررسی می‌کند. نتایج این روش‌ها را می‌توان برای پردازش سیگنال و طراحی کنترل شبکه‌های ارتباطی و رایانه‌ای، شبکه‌های حسگر، عوامل سیار، ترکیب داده‌های هماهنگ، سنجش از دور، پزشکی از راه دور، و سایر زمینه‌هایی که در آن‌ها داده‌های کوانتیزه‌شده با نویز نیاز به پردازش دارند، اعمال کرد.

با ارائه پوششی جامع از شناسایی کوانتیزه، این کتاب به سیستم‌های خطی و غیرخطی، و همچنین سیستم‌های تغییرناپذیر و متغیر زمان می‌پردازد. نویسندگان نویزهای مستقل و وابسته، نویزهای محدود تصادفی و قطعی و همچنین نویزهایی با توابع توزیع ناشناخته را بررسی می کنند. روش‌شناسی‌های کلیدی معیارهای تجربی و رویکردهای نظری اطلاعات را برای استخراج الگوریتم‌های شناسایی، ارائه سرعت هم‌گرایی و هم‌گرایی، ایجاد کارایی برآورد، و بررسی طراحی ورودی، انتخاب آستانه و انطباق، و تحلیل پیچیدگی ترکیب می‌کنند.

شناسایی سیستم با مشاهدات کوانتیزه یک منبع عالی برای دانشجویان فارغ التحصیل، نظریه پردازان سیستم، مهندسین کنترل، ریاضیدانان کاربردی و همچنین شاغلانی است که از الگوریتم های شناسایی در کار خود استفاده می کنند. مطالب انتخاب شده از این کتاب ممکن است در دوره های تحصیلات تکمیلی در زمینه شناسایی سیستم استفاده شود.

This book presents recently developed methodologies that utilize quantized information in system identification and explores their potential in extending control capabilities for systems with limited sensor information or networked systems. The results of these methodologies can be applied to signal processing and control design of communication and computer networks, sensor networks, mobile agents, coordinated data fusion, remote sensing, telemedicine, and other fields in which noise-corrupted quantized data need to be processed.

Providing a comprehensive coverage of quantized identification, the book treats linear and nonlinear systems, as well as time-invariant and time-varying systems. The authors examine independent and dependent noises, stochastic- and deterministic-bounded noises, and also noises with unknown distribution functions. The key methodologies combine empirical measures and information-theoretic approaches to derive identification algorithms, provide convergence and convergence speed, establish efficiency of estimation, and explore input design, threshold selection and adaptation, and complexity analysis.

System Identification with Quantized Observations is an excellent resource for graduate students, systems theorists, control engineers, applied mathematicians, as well as practitioners who use identification algorithms in their work. Selected material from the book may be used in graduate-level courses on system identification.