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 System Identification Using Regular and Quantized Observations: Applications of Large Deviations Principles

دانلود کتاب شناسایی سیستم با استفاده از مشاهدات منظم و Quantized: استفاده از اصل انحرافات بزرگ

System Identification Using Regular and Quantized Observations: Applications of Large Deviations Principles

مشخصات کتاب

System Identification Using Regular and Quantized Observations: Applications of Large Deviations Principles

ویرایش: [2013 ed.] 
نویسندگان: , ,   
سری: SpringerBriefs in Mathematics 
ISBN (شابک) : 1461462916, 9781461462910 
ناشر: Springer 
سال نشر: 2013 
تعداد صفحات: 108 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب System Identification Using Regular and Quantized Observations: Applications of Large Deviations Principles 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 شناسایی سیستم با استفاده از مشاهدات منظم و Quantized: استفاده از اصل انحرافات بزرگ 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 شناسایی سیستم با استفاده از مشاهدات منظم و Quantized: استفاده از اصل انحرافات بزرگ

این مختصر مشخصات خطاهای شناسایی را تحت یک چارچوب احتمالی زمانی که حسگرهای خروجی باینری، کوانتیزه یا منظم هستند، ارائه می‌کند. این مطالعه با در نظر گرفتن هر دو پیچیدگی فضا از نظر کمی سازی سیگنال و پیچیدگی زمانی با توجه به اندازه پنجره داده، دیدگاه جدیدی را برای درک رابطه اساسی بین خطاهای احتمالی و منابع ارائه می دهد که ممکن است نشان دهنده اندازه داده ها در استفاده از رایانه، پیچیدگی محاسباتی در الگوریتم ها باشد. ، اندازه نمونه در تجزیه و تحلیل آماری و پهنای باند کانال در ارتباطات. فهرست مطالب پوشش شناسایی سیستم با استفاده از مشاهدات منظم و کوانتیزه - کاربرد اصول انحرافات بزرگ شابک 9781461462910 شابک 9781461462927 پیشگفتار فهرست علامت گذاری و اختصارات 1 مقدمه و بررسی اجمالی 2 فرمول شناسایی سیستم 3 انحرافات بزرگ: مقدمه 4 LDP شناسایی سیستم تحت نویزهای مشاهده مستقل و توزیع شده یکسان 4.1 LDP شناسایی سیستم با سنسورهای معمولی 4.2 LDP شناسایی سیستم با سنسورهای باینری 4.3 LDP شناسایی سیستم با داده های کوانتیزه شده 4.4 مثال ها و بحث 4.4.1 پیچیدگی فضا: یکنواختی توابع نرخ با توجه به تعداد آستانه های حسگر 5 LDP شناسایی سیستم تحت اختلاط نویزهای مشاهده 5.1 LDP برای ابزارهای تجربی تحت شرایط f-Mixing 5.2 LDP برای شناسایی سیستم با سنسورهای معمولی تحت نویزهای مخلوط 5.3 LDP برای شناسایی با سنسورهای باینری تحت شرایط اختلاط 6 کاربرد در تشخیص باتری 6.1 مدل های باتری 6.2 تخمین مشترک پارامترهای مدل و SOC 6.3 همگرایی 6.4 شرح احتمالی خطاهای تخمین و قابلیت اطمینان تشخیص 6.5 محاسبه قابلیت اطمینان تشخیص 6.6 قابلیت اطمینان تشخیص از طریق اصل انحرافات بزرگ 7 کاربرد در پردازش سیگنال پزشکی 7.1 مشکلات جداسازی سیگنال و حذف نویز 7.2 پیکربندی مجدد سیستم چرخه ای برای جداسازی منبع و حذف نویز 7.2.1 جداسازی منبع تطبیقی ​​چرخه ای 7.2.2 جداسازی سیگنال تطبیقی ​​چرخه ای و حذف نویز 7.3 الگوریتم های شناسایی 7.3.1 شناسایی کانال با تقسیم زمان بازگشتی 7.3.2 مسئله وارونگی و تطبیق مدل بهینه 7.4 کیفیت شناسایی کانال 7.4.1 تجزیه و تحلیل خطای تخمین برای ANC 7.4.2 همبستگی سیگنال/نویز و اصل انحرافات بزرگ 8 کاربرد در ماشین های الکتریکی 8.1 شناسایی مدل های موتور PMDC 8.2 شناسایی سیستم باینری پارامترهای موتور PMDC 8.3 تجزیه و تحلیل همگرایی 8.4 شناسایی کوانتیزه 8.5 انحرافات بزرگ مشخصه تخمین سرعت 9 اظهارات و نتیجه گیری 9.1 بحث در مورد ورودی های دوره ای 9.2 فرار از یک دامنه 9.3 پارامترهای به طور تصادفی متغیر 9.4 اظهارات و نتیجه گیری بیشتر منابع فهرست مطالب


توضیحاتی درمورد کتاب به خارجی

​This brief presents characterizations of identification errors under a probabilistic framework when output sensors are binary, quantized, or regular. By considering both space complexity in terms of signal quantization and time complexity with respect to data window sizes, this study provides a new perspective to understand the fundamental relationship between probabilistic errors and resources, which may represent data sizes in computer usage, computational complexity in algorithms, sample sizes in statistical analysis and channel bandwidths in communications. Table of Contents Cover System Identification Using Regular and Quantized Observations - Applications of Large Deviations Principles ISBN 9781461462910 ISBN 9781461462927 Preface Contents Notation and Abbreviations 1 Introduction and Overview 2 System Identification Formulation 3 Large Deviations: An Introduction 4 LDP of System Identification under Independent and Identically Distributed Observation Noises 4.1 LDP of System Identification with Regular Sensors 4.2 LDP of System Identification with Binary Sensors 4.3 LDP of System Identification with Quantized Data 4.4 Examples and Discussion 4.4.1 Space Complexity: Monotonicity of Rate Functions with Respect to Numbers of Sensor Thresholds 5 LDP of System Identification under Mixing Observation Noises 5.1 LDP for Empirical Means under f-Mixing Conditions 5.2 LDP for System Identification with Regular Sensors under Mixing Noises 5.3 LDP for Identification with Binary Sensors under Mixing Conditions 6 Applications to Battery Diagnosis 6.1 Battery Models 6.2 Joint Estimation of Model Parameters and SOC 6.3 Convergence 6.4 Probabilistic Description of Estimation Errors and Diagnosis Reliability 6.5 Computation of Diagnosis Reliability 6.6 Diagnosis Reliability via the Large Deviations Principle 7 Applications to Medical Signal Processing 7.1 Signal Separation and Noise Cancellation Problems 7.2 Cyclic System Reconfiguratio for Source Separation and Noise Cancellation 7.2.1 Cyclic Adaptive Source Separation 7.2.2 Cyclic Adaptive Signal Separation and Noise Cancellation 7.3 Identification Algorithms 7.3.1 Recursive Time-Split Channel Identification 7.3.2 Inversion Problem and Optimal Model Matching 7.4 Quality of Channel Identification 7.4.1 Estimation Error Analysis for ANC 7.4.2 Signal/Noise Correlation and the Large Deviations Principle 8 Applications to Electric Machines 8.1 Identification of PMDC-Motor Models 8.2 Binary System Identification of PMDC Motor Parameters 8.3 Convergence Analysis 8.4 Quantized Identification 8.5 Large Deviations Characterization of Speed Estimation 9 Remarks and Conclusion 9.1 Discussion of Aperiodic Inputs 9.2 Escape from a Domain 9.3 Randomly Varying Parameters 9.4 Further Remarks and Conclusions References Index





نظرات کاربران