Produktbild: Introduction to Random Signals, Estimation Theory, and Kalman Filtering
- 10%

Introduction to Random Signals, Estimation Theory, and Kalman Filtering

10% sparen

66,99 € UVP 74,89 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.04.2025

Verlag

Springer Singapore

Seitenzahl

480

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

756 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9980-65-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.04.2025

Verlag

Springer Singapore

Seitenzahl

480

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

756 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9980-65-9

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Introduction to Random Signals, Estimation Theory, and Kalman Filtering
  • Review of Probability Theory.- Random Variables.- Random Signals (autocorrelation, power spectral density).- Response of Linear Systems to Random Inputs (continuous, discrete).- Estimation and Estimator Properties (small sample and large sample properties of estimators, CRLB).- Least Square Estimation Likelihood (likelihood function, detection).- Maximum Likelihood Estimation.- Minimum Mean-Square Error Estimation (Kalman Filter, information filter, filter stability).- Generalizing the Basic Kalman Filter (colored noise, correlated noise, reduced-order estimator, Schmidt Kalman filter sequential computation).- Prediction and Smoothing.- Nonlinear Filtering (Extended Kalman filter, unscented Kalman filter, ensemble Kalman filter, particle filter).- The Expectation Maximization Algorithm.- Markov Models.