1: Filtro di Kalman esteso: introduce il filtro di Kalman esteso (EKF), uno strumento fondamentale nella stima non lineare.
2: Notazione Bra-ket: spiega le basi matematiche, concentrandosi sulla struttura dei sistemi di tipo quantistico.
3: Curvatura: discute il concetto di curvatura e la sua influenza sulle prestazioni dei filtri non lineari.
4: Stima della massima verosimiglianza: descrive in dettaglio l'approccio statistico utilizzato per stimare i parametri con la massima verosimiglianza.
5: Filtro di Kalman: fornisce un'esplorazione approfondita del filtro di Kalman, la base di molte tecniche di stima dello stato.
6: Matrice di covarianza: descrive la matrice di covarianza e il suo ruolo nella quantificazione dell'incertezza nel filtraggio.
7: Propagazione dell'incertezza: esplora come l'incertezza si propaga nel tempo e influisce sulla precisione del filtraggio. 8: Algoritmo di Levenberg-Marquardt: introduce questo algoritmo, che ottimizza i problemi dei minimi quadrati non lineari.
9: Regione di confidenza: spiega la regione statistica che quantifica la precisione delle stime dei parametri.
10: Regressione non lineare: si concentra sui metodi per adattare i modelli non lineari ai dati utilizzando tecniche di ottimizzazione.
11: Teoria della stima: fornisce la teoria alla base della stima, essenziale per comprendere la progettazione e l'analisi dei filtri.
12: Minimi quadrati generalizzati: discute l'approccio generalizzato per risolvere i problemi di regressione in presenza di eteroschedasticità.
13: Distribuzione di Von Mises-Fisher: introduce questa distribuzione di probabilità utile per i dati direzionali in dimensioni elevate.
14: Filtro di Kalman d'insieme: esplora una variante del filtro di Kalman adatta a sistemi non lineari su larga scala.
15: Problema di filtraggio (processi stocastici): descrive in dettaglio come il filtraggio può essere applicato a processi casuali in sistemi dinamici. 16: GPS/INS: descrive l'integrazione di sistemi di navigazione GPS e inerziale per una navigazione e una stima precise.
17: Minimi quadrati lineari: tratta il metodo dei minimi quadrati per risolvere problemi di regressione lineare.
18: Filtro che preserva la simmetria: introduce filtri progettati per preservare la simmetria nei sistemi, importanti in robotica.
19: Filtro di Kalman esteso invariante: spiega una variante di EKF che mantiene l'invarianza nei sistemi non lineari.
20: Trasformazione non profumata: discute la trasformazione non profumata, una tecnica per migliorare la stima dello stato nei modelli non lineari.
21: SAMV (algoritmo): introduce l'algoritmo SAMV per una stima robusta in ambienti incerti.
2: Notazione Bra-ket: spiega le basi matematiche, concentrandosi sulla struttura dei sistemi di tipo quantistico.
3: Curvatura: discute il concetto di curvatura e la sua influenza sulle prestazioni dei filtri non lineari.
4: Stima della massima verosimiglianza: descrive in dettaglio l'approccio statistico utilizzato per stimare i parametri con la massima verosimiglianza.
5: Filtro di Kalman: fornisce un'esplorazione approfondita del filtro di Kalman, la base di molte tecniche di stima dello stato.
6: Matrice di covarianza: descrive la matrice di covarianza e il suo ruolo nella quantificazione dell'incertezza nel filtraggio.
7: Propagazione dell'incertezza: esplora come l'incertezza si propaga nel tempo e influisce sulla precisione del filtraggio. 8: Algoritmo di Levenberg-Marquardt: introduce questo algoritmo, che ottimizza i problemi dei minimi quadrati non lineari.
9: Regione di confidenza: spiega la regione statistica che quantifica la precisione delle stime dei parametri.
10: Regressione non lineare: si concentra sui metodi per adattare i modelli non lineari ai dati utilizzando tecniche di ottimizzazione.
11: Teoria della stima: fornisce la teoria alla base della stima, essenziale per comprendere la progettazione e l'analisi dei filtri.
12: Minimi quadrati generalizzati: discute l'approccio generalizzato per risolvere i problemi di regressione in presenza di eteroschedasticità.
13: Distribuzione di Von Mises-Fisher: introduce questa distribuzione di probabilità utile per i dati direzionali in dimensioni elevate.
14: Filtro di Kalman d'insieme: esplora una variante del filtro di Kalman adatta a sistemi non lineari su larga scala.
15: Problema di filtraggio (processi stocastici): descrive in dettaglio come il filtraggio può essere applicato a processi casuali in sistemi dinamici. 16: GPS/INS: descrive l'integrazione di sistemi di navigazione GPS e inerziale per una navigazione e una stima precise.
17: Minimi quadrati lineari: tratta il metodo dei minimi quadrati per risolvere problemi di regressione lineare.
18: Filtro che preserva la simmetria: introduce filtri progettati per preservare la simmetria nei sistemi, importanti in robotica.
19: Filtro di Kalman esteso invariante: spiega una variante di EKF che mantiene l'invarianza nei sistemi non lineari.
20: Trasformazione non profumata: discute la trasformazione non profumata, una tecnica per migliorare la stima dello stato nei modelli non lineari.
21: SAMV (algoritmo): introduce l'algoritmo SAMV per una stima robusta in ambienti incerti.
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.