ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Estimation, Control, and the Discrete Kalman Filter

دانلود کتاب برآورد، کنترل و فیلتر کالمن دیجیتال

Estimation, Control, and the Discrete Kalman Filter

مشخصات کتاب

Estimation, Control, and the Discrete Kalman Filter

ویرایش: Reprint 
نویسندگان:   
سری: Applied Mathematical Sciences 71 
ISBN (شابک) : 1461288649, 9781461245285 
ناشر: Springer 
سال نشر: 1989 
تعداد صفحات: 290 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 55,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Estimation, Control, and the Discrete Kalman Filter 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 برآورد، کنترل و فیلتر کالمن دیجیتال 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 برآورد، کنترل و فیلتر کالمن دیجیتال

در سال 1960، R. E. Kalman مقاله مشهور خود را در مورد برآورد حداقل واریانس بازگشتی در سیستم های دینامیکی منتشر کرد [14]. این مقاله که الگوریتمی را معرفی می‌کند که از آن زمان به عنوان فیلتر کالمن گسسته شناخته می‌شود، انقلابی مجازی در زمینه مهندسی سیستم‌ها ایجاد کرد. امروزه فیلترهای کالمن در مناطق مختلفی مانند ناوبری، هدایت، حفاری نفت، کیفیت آب و هوا و بررسی های ژئودتیکی استفاده می شود. علاوه بر این، کار کالمن منجر به تعداد زیادی کتاب و مقاله در مورد برآورد حداقل واریانس در سیستم‌های دینامیکی شد، از جمله یکی از کالمن و بوسی در مورد سیستم‌های زمان پیوسته [15]. بیشتر این کار خارج از انجمن های ریاضی و آمار انجام شد و با روحیه گرایی واقعی آکادمیک، به استثنای چند مورد قابل توجه، توسط آنها نادیده گرفته شد. این متن تلاش من برای بستن آن شکاف است. برای دانشجویان ریاضیات، قضیه فیلتر کالمن یک تصویر زیبا از تحلیل تابعی در عمل است. استفاده از فضاهای هیلبرت برای حل یک مسئله بسیار مهم در ریاضیات کاربردی. برای دانشجویان آمار، فیلتر کالمن نمونه بارز آمار بیزی در عمل است. متن حاضر برخاسته از یک سری دوره های تحصیلات تکمیلی است که در دهه گذشته توسط من ارائه شده است. بیشتر این دوره ها در دانشگاه ماس ساچوستس در آمهرست برگزار شد


توضیحاتی درمورد کتاب به خارجی

In 1960, R. E. Kalman published his celebrated paper on recursive min­ imum variance estimation in dynamical systems [14]. This paper, which introduced an algorithm that has since been known as the discrete Kalman filter, produced a virtual revolution in the field of systems engineering. Today, Kalman filters are used in such diverse areas as navigation, guid­ ance, oil drilling, water and air quality, and geodetic surveys. In addition, Kalman's work led to a multitude of books and papers on minimum vari­ ance estimation in dynamical systems, including one by Kalman and Bucy on continuous time systems [15]. Most of this work was done outside of the mathematics and statistics communities and, in the spirit of true academic parochialism, was, with a few notable exceptions, ignored by them. This text is my effort toward closing that chasm. For mathematics students, the Kalman filtering theorem is a beautiful illustration of functional analysis in action; Hilbert spaces being used to solve an extremely important problem in applied mathematics. For statistics students, the Kalman filter is a vivid example of Bayesian statistics in action. The present text grew out of a series of graduate courses given by me in the past decade. Most of these courses were given at the University of Mas­ sachusetts at Amherst



فهرست مطالب

Front Matter....Pages i-xiii
Basic Probability....Pages 1-60
Minimum Variance Estimation—How the Theory Fits....Pages 61-69
The Maximum Entropy Principle....Pages 70-91
Adjoints, Projections, Pseudoinverses....Pages 92-113
Linear Minimum Variance Estimation....Pages 114-124
Recursive Linear Estimation (Bayesian Estimation)....Pages 125-132
The Discrete Kalman Filter....Pages 133-163
The Linear Quadratic Tracking Problem....Pages 164-187
Fixed Interval Smoothing....Pages 188-199
Back Matter....Pages 200-275




نظرات کاربران