Onze Vivlio e-readers ondervinden momenteel synchronisatieproblemen. We doen er alles aan om dit zo snel mogelijk op te lossen. Onze excuses voor het ongemak!

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België vanaf € 30
Ruim aanbod met 7 miljoen producten

Onze Vivlio e-readers ondervinden momenteel synchronisatieproblemen. We doen er alles aan om dit zo snel mogelijk op te lossen. Onze excuses voor het ongemak!

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België vanaf € 30
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 271,45

+ 542 punten

Levering 2 à 3 weken

Eenvoudig bestellen

Veilig betalen

Gratis thuislevering vanaf € 30 (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Discrete-Time Neural Observers: Analysis and Applications presents recent advances in the theory of neural state estimation for discrete-time unknown nonlinear systems with multiple inputs and outputs. The book includes rigorous mathematical analyses, based on the Lyapunov approach, that guarantee their properties. In addition, for each chapter, simulation results are included to verify the successful performance of the corresponding proposed schemes.

In order to complete the treatment of these schemes, the authors also present simulation and experimental results related to their application in meaningful areas, such as electric three phase induction motors and anaerobic process, which show the applicability of such designs. The proposed schemes can be employed for different applications beyond those presented.

The book presents solutions for the state estimation problem of unknown nonlinear systems based on two schemes. For the first one, a full state estimation problem is considered; the second one considers the reduced order case with, and without, the presence of unknown delays. Both schemes are developed in discrete-time using recurrent high order neural networks in order to design the neural observers, and the online training of the respective neural networks is performed by Kalman Filtering.