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 The Unscented Kalman Filter for Nonlinear Estimation

دانلود کتاب فیلتر کالمن بدون بو برای تخمین غیرخطی

مشخصات کتاب

The Unscented Kalman Filter for Nonlinear Estimation

دسته بندی: اتوماسیون
ویرایش:  
نویسندگان: Eric A. Wan,  Rudolph van der Merwe  
سری:  
 
ناشر:  
سال نشر: 0 
تعداد صفحات: 6 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت

قیمت کتاب (تومان) : 35,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 9

در صورت تبدیل فایل کتاب The Unscented Kalman Filter for Nonlinear Estimation 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 فیلتر کالمن بدون بو برای تخمین غیرخطی 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 فیلتر کالمن بدون بو برای تخمین غیرخطی

فیلتر کالمن توسعه یافته (EKF) به یک استاندارد تبدیل شده است تکنیک مورد استفاده در تعدادی از تخمین غیرخطی و ماشین برنامه های کاربردی یادگیری اینها شامل برآورد وضعیت یک سیستم دینامیکی غیرخطی، تخمین پارامترها برای شناسایی سیستم غیرخطی (به عنوان مثال، یادگیری وزن یک شبکه عصبی)، و تخمین دوگانه (به عنوان مثال، الگوریتم حداکثر سازی انتظارات (EM)) که در آن هر دو حالت وجود دارد و پارامترها به طور همزمان تخمین زده می شوند. این مقاله به اشکالات استفاده از EKF اشاره می کند و یک بهبود، فیلتر کالمن بدون بو را معرفی می کند (UKF)، پیشنهاد شده توسط جولیه و اولمن [5]. مرکزی و عملیات حیاتی انجام شده در فیلتر کالمن انتشار است از یک متغیر تصادفی گاوسی (GRV) از طریق دینامیک سیستم در EKF، توزیع حالت تقریبی است توسط یک GRV، که سپس به صورت تحلیلی منتشر می شود از طریق خطی سازی مرتبه اول غیرخطی سیستم. این می تواند خطاهای بزرگی را در خلفی واقعی ایجاد کند میانگین و کوواریانس GRV تبدیل شده، که ممکن است منجر به عملکرد زیر بهینه و گاهی واگرایی می شود از فیلتر UKF این مشکل را با استفاده از a رویکرد نمونه گیری قطعی توزیع دولتی است دوباره با یک GRV تقریب زده شد، اما اکنون با استفاده از آن نشان داده شده است حداقل مجموعه ای از نقاط نمونه با دقت انتخاب شده این نمونه ها نقاط به طور کامل میانگین و کوواریانس واقعی را نشان می دهند از GRV، و زمانی که از طریق غیرخطی واقعی منتشر می شود سیستم، میانگین و کوواریانس پسین را ثبت می کند با دقت به مرتبه 3 (بسط سری تیلور) برای هر غیر خطی بودن EKF، در مقابل، فقط به درجه اول دست می یابد دقت. قابل توجه است، پیچیدگی محاسباتی UKF همان ترتیب EKF است. جولیه و اولمن عملکرد قابل توجهی را نشان دادند دستاوردهای UKF در چارچوب برآورد دولتی برای کنترل غیر خطی مشکلات یادگیری ماشینی نبود در نظر گرفته شده. ما استفاده از UKF را به یک طبقه گسترده تر گسترش می دهیم مشکلات تخمین غیرخطی، از جمله سیستم غیرخطی شناسایی، آموزش شبکه های عصبی و تخمین دوگانه چالش ها و مسائل. نتایج اولیه ما ارائه شد در [13]. در این مقاله، الگوریتم ها بیشتر توسعه داده می شوند و با تعدادی مثال اضافی نشان داده شده است.

توضیحاتی درمورد کتاب به خارجی

The Extended Kalman Filter (EKF) has become a standard technique used in a number of nonlinear estimation and machine learning applications. These include estimating the state of a nonlinear dynamic system, estimating parameters for nonlinear system identification (e.g., learning the weights of a neural network), and dual estimation (e.g., the Expectation Maximization (EM) algorithm) where both states and parameters are estimated simultaneously. This paper points out the flaws in using the EKF, and introduces an improvement, the Unscented Kalman Filter (UKF), proposed by Julier and Uhlman [5]. A central and vital operation performed in the Kalman Filter is the propagation of a Gaussian random variable (GRV) through the system dynamics. In the EKF, the state distribution is approximated by a GRV, which is then propagated analytically through the first-order linearization of the nonlinear system. This can introduce large errors in the true posterior mean and covariance of the transformed GRV, which may lead to sub-optimal performance and sometimes divergence of the filter. The UKF addresses this problem by using a deterministic sampling approach. The state distribution is again approximated by a GRV, but is now represented using a minimalset of carefully chosen sample points. These sample points completely capture the true mean and covariance of the GRV, and when propagated through the true nonlinear system, captures the posterior mean and covariance accurately to the 3rd order (Taylor series expansion) for any nonlinearity. The EKF, in contrast, only achieves first-order accuracy. Remarkably, the computational complexity of the UKF is the same order as that of the EKF. Julier and Uhlman demonstrated the substantial performance gains of the UKF in the context of state-estimation for nonlinear control. Machine learning problems were not considered. We extend the use of the UKF to a broader class of nonlinear estimation problems, including nonlinear system identification, training of neural networks, and dual estimation problems. Our preliminary results were presented in [13]. In this paper, the algorithms are further developed and illustrated with a number of additional examples.