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: Dr. Václav à mídl, Dr. Anthony Quinn (auth.) سری: Signals and Communication Technology ISBN (شابک) : 9783540288190, 9783540288206 ناشر: Springer Berlin Heidelberg سال نشر: 2006 تعداد صفحات: 240 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب The Variational Bayes Method in Signal Processing 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 روش بیز متغیر در 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.
این اولین بررسی طول کتاب از تقریب Variational Bayes (VB) در پردازش سیگنال است. این به عنوان یک راهنمای مستقل و خودآموز برای گروه های تحقیقاتی دانشگاهی و صنعتی در پردازش سیگنال، تجزیه و تحلیل داده ها، یادگیری ماشین، شناسایی و کنترل نوشته شده است. این تقریب توزیعی VB را بررسی میکند و نشان میدهد که الگوریتمهای قابل حمل برای شناسایی مدل پارامتری را میتوان در زمینههای آفلاین و بر خط تولید کرد. بسیاری از اصول ابتدا از طریق مسائل تجزیه اسکالر ساده به تصویر کشیده شده اند. در فصلهای بعدی، کاربردهای موفقی در تحلیل عاملی برای توالیهای تصویر پزشکی، شناسایی مدل مخلوط و بازسازی گفتار یافت میشود. نتایج با داده های شبیه سازی شده و واقعی به تفصیل ارائه شده است. توسعه منحصربهفرد یک \"روش VB\" هشت مرحلهای که میتواند در همه موارد دنبال شود، خواننده را قادر میسازد تا یک الگوریتم استنتاج VB را از پایه برای سیگنال یا مدل تصویر خاص خود توسعه دهد.
This is the first book-length treatment of the Variational Bayes (VB) approximation in signal processing. It has been written as a self-contained, self-learning guide for academic and industrial research groups in signal processing, data analysis, machine learning, identification and control. It reviews the VB distributional approximation, showing that tractable algorithms for parametric model identification can be generated in off-line and on-line contexts. Many of the principles are first illustrated via easy-to-follow scalar decomposition problems. In later chapters, successful applications are found in factor analysis for medical image sequences, mixture model identification and speech reconstruction. Results with simulated and real data are presented in detail. The unique development of an eight-step "VB method", which can be followed in all cases, enables the reader to develop a VB inference algorithm from the ground up, for their own particular signal or image model.
Content:
Front Matter....Pages I-XX
Introduction....Pages 1-11
Bayesian Theory....Pages 13-23
Off-line Distributional Approximations and the Variational Bayes Method....Pages 25-56
Principal Component Analysis and Matrix Decompositions....Pages 57-88
Functional Analysis of Medical Image Sequences....Pages 89-108
On-line Inference of Time-Invariant Parameters....Pages 109-144
On-line Inference of Time-Variant Parameters....Pages 145-177
The Mixture-based Extension of the AR Model (MEAR)....Pages 179-203
Concluding Remarks....Pages 205-207
Back Matter....Pages 209-227