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: نظریه کنترل خودکار ویرایش: نویسندگان: Norman Morrison سری: IET Radar, Sonar and Navigation Series 23 ISBN (شابک) : 1849195544, 9781849195546 ناشر: The Institution of Engineering and Technology سال نشر: 2012 تعداد صفحات: 578 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 31 مگابایت
در صورت تبدیل فایل کتاب Tracking Filter Engineering: The Gauss-Newton and Polynomial Filters 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 مهندسی فیلتر ردیابی: فیلترهای گاوس-نیوتن و چند جمله ای 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.
تقریباً 50 سال است که فیلتر کالمن رویکرد پذیرفته شده برای ردیابی مهندسی فیلتر بوده است. در آغاز عصر ماهواره در سال 1958، فیلترهای ردیابی گاوس-نیوتن مورد آزمایش قرار گرفتند، اما به دلیل محدودیت سرعت رایانههای موجود، برای استفاده بلادرنگ رد شدند. به جای آنها دو الگوریتم جدید ابداع شد، ابتدا فیلتر Swerling و سپس فیلتر Kalman، که هر دو میتوانستند در زمان واقعی بر روی ماشینهای آن دوره اجرا شوند. با این وجود مشاهده شد که گاوس-نیوتن دارای برخی خواص برتر، به ویژه در مورد پایداری است. سرعت کامپیوتر در حال حاضر به شدت افزایش یافته است و بنابراین دیگر نیازی به رد گاوس-نیوتن نیست. تقریباً یک ساعتی که برای اجرای گاوس-نیوتن در سال 1958 طول کشید، اکنون به چند ده میلی ثانیه در ماشینهای در دسترس کاهش یافته است و اگر فناوری رایانه مانند سالهای اخیر به پیشرفت خود ادامه دهد، به زودی به میکروثانیه کاهش مییابد. بر این اساس است که موریسون رویکرد خود را ارائه می کند. این کتاب یک پسزمینه نظری کامل ارائه میکند و سپس به تفصیل فیلترهای گاوس-نیوتن را مورد بحث قرار میدهد. یک رویکرد جدید برای ردیابی اهداف مانور است که توسط این فیلترها امکان پذیر شده است. این کتاب همچنین فیلترهای چند جملهای حافظه در حال گسترش و محو شدن را بر اساس چند جملهای متعامد لژاندر و لاگر و نحوه استفاده از این فیلترها در ارتباط با گاوس-نیوتن را پوشش میدهد. چهارده برنامه کامپیوتری که با دقت ساخته شده اند، پس زمینه نظری را پوشش می دهند، و همچنین قدرت گاوس-نیوتن و فیلترهای چند جمله ای را نشان می دهند. دو مورد از این برنامه ها شامل فیلترهای Kalman، Swerling و Gauss-Newton هستند که هر سه داده های یکسان را پردازش می کنند. اینها بیثباتی کالمن و سوئرلینگ را نشان میدهند که گاوس-نیوتن از آن مصون است، و همچنین این واقعیت که اگر تلاشی برای جلوگیری از بیثباتی کالمن و سوئرلینگ با استفاده از ماتریس Q انجام شود، آنها دیگر با کرامر-رائو سازگار نیستند و بهطور محسوسی تبدیل میشوند. دقت کمتری نسبت به فیلترهای همیشه سازگار Cramer-Rao Gauss-Newton.
For almost 50 years the Kalman filter has been the accepted approach to tracking filter engineering. At the start of the Satellite Age in 1958, Gauss-Newton tracking filters were tried but had to be ruled out for real-time use because of the speed limitations of existing computers. In their place two new algorithms were devised, first the Swerling filter and then the Kalman filter, both of which could be run in real time on the machines of that era. It was nevertheless observed that Gauss-Newton possessed some superior properties, particularly with regard to stability. Computer speed has now vastly increased and so Gauss-Newton need no longer be ruled out. The almost one hour that it took to execute Gauss-Newton in 1958 is now down to a few tens of milliseconds on readily available machines, and could soon be down to microseconds if computer technology continues to progress as it has done in recent years. It is on this basis that Morrison presents his approach. The book provides a complete theoretical background, and then discusses in detail the Gauss-Newton filters. Of particular interest is a new approach to the tracking of maneuvering targets that is made possible by these filters. The book also covers the expanding and fading memory polynomial filters based on the Legendre and Laguerre orthogonal polynomials, and how these can be used in conjunction with Gauss-Newton. Fourteen carefully constructed computer programs cover the theoretical background, and also demonstrate the power of the Gauss-Newton and polynomial filters. Two of these programs include Kalman, Swerling and Gauss-Newton filters, all three processing identical data. These demonstrate Kalman and Swerling instability to which Gauss-Newton is immune, and also the fact that if an attempt is made to forestall Kalman and Swerling instability by the use of a Q matrix, then they are no longer Cramer-Rao consistent and become noticeably less accurate than the always Cramer-Rao consistent Gauss-Newton filters.
Content:
Front Matter
Why This Book?
Organisation
Preface
Table of Contents
Part I. Background 1. Readme_First
2. Models, Differential Equations and Transition Matrices
3. Observation Schemes
4. Random Vectors and Covariance Matrices - Theory
5. Random Vectors and Covariance Matrices in Filter Engineering
6. Bias Errors
7. Three Tests for ECM Consistency
Part II. Non-Recursive Filtering 8. Minimum Variance and the Gauss-Aitken Filters
9. Minimum Variance and the Gauss-Newton Filters
10. The Master Control Algorithms and Goodness-of-Fit
Part III. Recursive Filtering 11. The Kalman and Swerling Filters
12. Polynomial Filtering - 1
13. Polynomial Filtering - 2
References
Index