1 : Filtre de Kalman étendu : présente le filtre de Kalman étendu (EKF), un outil essentiel de l'estimation non linéaire.
2 : Notation Bra-ket : explique les fondements mathématiques, en se concentrant sur la structure des systèmes quantiques.
3 : Courbure : discute du concept de courbure et de son influence sur les performances des filtres non linéaires.
4 : Estimation du maximum de vraisemblance : détaille l'approche statistique utilisée pour estimer les paramètres ayant la plus grande vraisemblance.
5 : Filtre de Kalman : fournit une exploration approfondie du filtre de Kalman, la base de nombreuses techniques d'estimation d'état.
6 : Matrice de covariance : décrit la matrice de covariance et son rôle dans la quantification de l'incertitude dans le filtrage.
7 : Propagation de l'incertitude : explore comment l'incertitude se propage dans le temps et affecte la précision du filtrage.
8 : Algorithme de Levenberg-Marquardt : présente cet algorithme qui optimise les problèmes de moindres carrés non linéaires.
9 : Région de confiance : explique la région statistique qui quantifie la précision des estimations de paramètres.
10 : Régression non linéaire : se concentre sur les méthodes d'ajustement de modèles non linéaires aux données à l'aide de techniques d'optimisation.
11 : Théorie de l'estimation : fournit la théorie derrière l'estimation, essentielle pour comprendre la conception et l'analyse des filtres.
12 : Moindres carrés généralisés : discute de l'approche généralisée pour résoudre les problèmes de régression en présence d'hétéroscédasticité.
13 : Distribution de Von Mises-Fisher : présente cette distribution de probabilité utile pour les données directionnelles en grandes dimensions.
14 : Filtre de Kalman d'ensemble : explore une variante du filtre de Kalman adaptée aux systèmes non linéaires à grande échelle.
15 : Problème de filtrage (processus stochastiques) : détaille comment le filtrage peut être appliqué aux processus aléatoires dans les systèmes dynamiques.
16 : GPS/INS : décrit l'intégration du GPS et des systèmes de navigation inertielle pour une navigation et une estimation précises.
17 : Moindres carrés linéaires : couvre la méthode des moindres carrés pour résoudre les problèmes de régression linéaire.
18 : Filtre de préservation de la symétrie : présente les filtres conçus pour préserver la symétrie dans les systèmes, importants en robotique.
19 : Filtre de Kalman étendu invariant : explique une variante de l'EKF qui maintient l'invariance dans les systèmes non linéaires.
20 : Transformée non parfumée : décrit la transformée non parfumée, une technique permettant d'améliorer l'estimation de l'état dans les modèles non linéaires.
21 : SAMV (algorithme) : présente l'algorithme SAMV pour une estimation robuste dans des environnements incertains.
2 : Notation Bra-ket : explique les fondements mathématiques, en se concentrant sur la structure des systèmes quantiques.
3 : Courbure : discute du concept de courbure et de son influence sur les performances des filtres non linéaires.
4 : Estimation du maximum de vraisemblance : détaille l'approche statistique utilisée pour estimer les paramètres ayant la plus grande vraisemblance.
5 : Filtre de Kalman : fournit une exploration approfondie du filtre de Kalman, la base de nombreuses techniques d'estimation d'état.
6 : Matrice de covariance : décrit la matrice de covariance et son rôle dans la quantification de l'incertitude dans le filtrage.
7 : Propagation de l'incertitude : explore comment l'incertitude se propage dans le temps et affecte la précision du filtrage.
8 : Algorithme de Levenberg-Marquardt : présente cet algorithme qui optimise les problèmes de moindres carrés non linéaires.
9 : Région de confiance : explique la région statistique qui quantifie la précision des estimations de paramètres.
10 : Régression non linéaire : se concentre sur les méthodes d'ajustement de modèles non linéaires aux données à l'aide de techniques d'optimisation.
11 : Théorie de l'estimation : fournit la théorie derrière l'estimation, essentielle pour comprendre la conception et l'analyse des filtres.
12 : Moindres carrés généralisés : discute de l'approche généralisée pour résoudre les problèmes de régression en présence d'hétéroscédasticité.
13 : Distribution de Von Mises-Fisher : présente cette distribution de probabilité utile pour les données directionnelles en grandes dimensions.
14 : Filtre de Kalman d'ensemble : explore une variante du filtre de Kalman adaptée aux systèmes non linéaires à grande échelle.
15 : Problème de filtrage (processus stochastiques) : détaille comment le filtrage peut être appliqué aux processus aléatoires dans les systèmes dynamiques.
16 : GPS/INS : décrit l'intégration du GPS et des systèmes de navigation inertielle pour une navigation et une estimation précises.
17 : Moindres carrés linéaires : couvre la méthode des moindres carrés pour résoudre les problèmes de régression linéaire.
18 : Filtre de préservation de la symétrie : présente les filtres conçus pour préserver la symétrie dans les systèmes, importants en robotique.
19 : Filtre de Kalman étendu invariant : explique une variante de l'EKF qui maintient l'invariance dans les systèmes non linéaires.
20 : Transformée non parfumée : décrit la transformée non parfumée, une technique permettant d'améliorer l'estimation de l'état dans les modèles non linéaires.
21 : SAMV (algorithme) : présente l'algorithme SAMV pour une estimation robuste dans des environnements incertains.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.