1: Filtro de Kalman extendido: presenta el filtro de Kalman extendido (EKF), una herramienta fundamental en la estimación no lineal.
2: Notación Bra-ket: explica la base matemática, centrándose en la estructura de los sistemas cuánticos.
3: Curvatura: analiza el concepto de curvatura y su influencia en el rendimiento de los filtros no lineales.
4: Estimación de máxima verosimilitud: detalla el enfoque estadístico utilizado para estimar los parámetros con la mayor verosimilitud.
5: Filtro de Kalman: proporciona una exploración en profundidad del filtro de Kalman, la base de muchas técnicas de estimación de estado.
6: Matriz de covarianza: describe la matriz de covarianza y su papel en la cuantificación de la incertidumbre en el filtrado.
7: Propagación de la incertidumbre: explora cómo la incertidumbre se propaga a lo largo del tiempo y afecta la precisión del filtrado.
8: Algoritmo de Levenberg-Marquardt: presenta este algoritmo, que optimiza los problemas de mínimos cuadrados no lineales.
9: Región de confianza: explica la región estadística que cuantifica la precisión de las estimaciones de parámetros.
10: Regresión no lineal: se centra en los métodos para ajustar modelos no lineales a los datos mediante técnicas de optimización.
11: Teoría de la estimación: proporciona la teoría detrás de la estimación, esencial para comprender el diseño y el análisis de filtros.
12: Mínimos cuadrados generalizados: analiza el enfoque generalizado para resolver problemas de regresión en presencia de heterocedasticidad.
13: Distribución de von Mises-Fisher: presenta esta distribución de probabilidad útil para datos direccionales en grandes dimensiones.
14: Filtro de Kalman de conjunto: explora una variación del filtro de Kalman adecuada para sistemas no lineales a gran escala.
15: Problema de filtrado (procesos estocásticos): detalla cómo se puede aplicar el filtrado a procesos aleatorios en sistemas dinámicos.
16: GPS/INS: describe la integración de GPS y sistemas de navegación inercial para una navegación y estimación precisas.
17: Mínimos cuadrados lineales: cubre el método de mínimos cuadrados para resolver problemas de regresión lineal.
18: Filtro que preserva la simetría: presenta filtros diseñados para preservar la simetría en sistemas, lo cual es importante en robótica.
19: Filtro de Kalman extendido invariante: explica una variación del EKF que mantiene la invariancia en sistemas no lineales.
20: Transformada sin aroma: analiza la transformada sin aroma, una técnica para mejorar la estimación de estado en modelos no lineales.
21: SAMV (algoritmo): presenta el algoritmo SAMV para una estimación robusta en entornos inciertos.
2: Notación Bra-ket: explica la base matemática, centrándose en la estructura de los sistemas cuánticos.
3: Curvatura: analiza el concepto de curvatura y su influencia en el rendimiento de los filtros no lineales.
4: Estimación de máxima verosimilitud: detalla el enfoque estadístico utilizado para estimar los parámetros con la mayor verosimilitud.
5: Filtro de Kalman: proporciona una exploración en profundidad del filtro de Kalman, la base de muchas técnicas de estimación de estado.
6: Matriz de covarianza: describe la matriz de covarianza y su papel en la cuantificación de la incertidumbre en el filtrado.
7: Propagación de la incertidumbre: explora cómo la incertidumbre se propaga a lo largo del tiempo y afecta la precisión del filtrado.
8: Algoritmo de Levenberg-Marquardt: presenta este algoritmo, que optimiza los problemas de mínimos cuadrados no lineales.
9: Región de confianza: explica la región estadística que cuantifica la precisión de las estimaciones de parámetros.
10: Regresión no lineal: se centra en los métodos para ajustar modelos no lineales a los datos mediante técnicas de optimización.
11: Teoría de la estimación: proporciona la teoría detrás de la estimación, esencial para comprender el diseño y el análisis de filtros.
12: Mínimos cuadrados generalizados: analiza el enfoque generalizado para resolver problemas de regresión en presencia de heterocedasticidad.
13: Distribución de von Mises-Fisher: presenta esta distribución de probabilidad útil para datos direccionales en grandes dimensiones.
14: Filtro de Kalman de conjunto: explora una variación del filtro de Kalman adecuada para sistemas no lineales a gran escala.
15: Problema de filtrado (procesos estocásticos): detalla cómo se puede aplicar el filtrado a procesos aleatorios en sistemas dinámicos.
16: GPS/INS: describe la integración de GPS y sistemas de navegación inercial para una navegación y estimación precisas.
17: Mínimos cuadrados lineales: cubre el método de mínimos cuadrados para resolver problemas de regresión lineal.
18: Filtro que preserva la simetría: presenta filtros diseñados para preservar la simetría en sistemas, lo cual es importante en robótica.
19: Filtro de Kalman extendido invariante: explica una variación del EKF que mantiene la invariancia en sistemas no lineales.
20: Transformada sin aroma: analiza la transformada sin aroma, una técnica para mejorar la estimación de estado en modelos no lineales.
21: SAMV (algoritmo): presenta el algoritmo SAMV para una estimación robusta en entornos inciertos.
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.