Introduction to Random Signals, Estimation Theory, and Kalman Filtering
Cập nhật vào: Thứ năm - 06/11/2025 23:14
Nhan đề chính: Introduction to Random Signals, Estimation Theory, and Kalman Filtering
Nhan đề dịch: Giới thiệu về tín hiệu ngẫu nhiên, lý thuyết ước lượng và lọc Kalman
Tác giả: M. Sami Fadali
Nhà xuất bản: Springer Singapore
Năm xuất bản: 2024
Số trang: 501 tr.
Ngôn ngữ: Tiếng Anh
ISBN: 978-981-99-8063-5
SpringerLink
Lời giới thiệu: Cuốn sách này cung cấp cho sinh viên năm nhất sau đại học ngành kỹ thuật và các kỹ sư đang hành nghề phần giới thiệu vững chắc về tín hiệu ngẫu nhiên và ước tính. Sách bao gồm phần lý thuyết thống kê thường bị bỏ qua trong các sách giáo khoa khác nhưng lại rất cần thiết để hiểu rõ về các ước tính và tính chất của chúng. Sách nhấn mạnh vào khả năng ứng dụng hơn là lý thuyết toán học. Sách bao gồm nhiều ví dụ và bài tập để chứng minh và tìm hiểu lý thuyết sử dụng rộng rãi MATLAB và các hộp công cụ của nó. Mặc dù có một số cuốn sách tuyệt vời về tín hiệu ngẫu nhiên và lọc Kalman, nhưng cuốn sách này đáp ứng nhu cầu về một cuốn sách phù hợp với khóa học một học kỳ bao gồm cả tín hiệu ngẫu nhiên và bộ lọc Kalman và được sử dụng cho khóa học hai học kỳ dành cho sinh viên cần có nền tảng khắc phục. Đối với sinh viên quan tâm đến các nghiên cứu nâng cao hơn trong lĩnh vực này, cuốn sách cung cấp cầu nối giữa giáo dục kỹ thuật đại học thông thường và các khóa học nâng cao hơn ở trình độ sau đại học.
Từ khóa: Robot; Cơ điện tử; Công nghệ; Hàng không; Mạng; Công nghiệp.
Nội dung cuốn sách gồm những phần sau:
- Đánh giá về lý thuyết xác suất
- Biến ngẫu nhiên
- Tín hiệu ngẫu nhiên
- Phản ứng của hệ thống tuyến tính với các đầu vào ngẫu nhiên
- Thuộc tính ước lượng và ước lượng
- Ước lượng bình phương nhỏ nhất
- Hàm khả năng và phát hiện tín hiệu
- Ước tính khả năng tối đa
- Ước tính lỗi trung bình bình phương tối thiểu
- Tổng quát hóa Bộ lọc Kalman rời rạc cơ bản
- Dự đoán và làm mịn
- Lọc phi tuyến tính
- Thuật toán tối đa hóa kỳ vọng
- Mô hình Markov ẩn
Liên hệ
Tiếng Việt
Tiếng Anh








