Sin embargo, este pasaje tiene suficiente base teórica y fundamental para el desarrollo avanzado de grado o posgrado como para acudir a textos más rigurosos como Jazwinski [31], Sage [32], gelb [33], Anderson [34], Maybeck [35], Boji Qi [ 36] y Kailath [37, 38]. y más recientemente Mendel [39], Grewell [40], Barr, Sharon [41] y Simon [42]. Estos textos son rigurosos y tienden a centrarse en las técnicas de filtrado de Kalman, con todas las variaciones, desde continuas hasta discretas, con gran detalle. El texto analizado en Métodos bayesianos ciertamente incluye una clase de demostración de modelos de espacio de estados (probablemente los más generales), pero la atención se centra en los distintos modelos y en cómo se pueden utilizar para resolver diversos problemas de procesamiento de señales. Algunos textos más recientes tienen el mismo nivel técnico, pero con un enfoque diferente: Widrow [43], Orfanidis [44], Sharf [45], Haykin [46], Hayse [47], Brown [30] y stoica [48]. . Una vez más, estos textos se centran menos en los métodos bayesianos y más en un conjunto limitado de patrones específicos y el desarrollo de varios algoritmos para estimar estos términos. La identificación de sistemas y la literatura textual también proporcionan cierta superposición con este texto, pero nuevamente, el enfoque se enfoca en estimar modelos a partir de conjuntos de datos ruidosos y realmente no construye Saint-Bayesian para resolver un problema de procesamiento de señales específico. Los textos en esta área incluyen Ljung [49, 50], Goodwin [51], Norton [52] y Soderstrom [53].
El enfoque que adoptamos es introducir las ideas básicas del procesamiento y visualización de señales bayesianas. La mejor ubicación de instalación es el procesamiento de señales. Algunos ven la Oficina de Planificación Estratégica como una forma natural de abordar cuestiones fundamentales. Cuanta más información a priori sepamos sobre los datos y su evolución, más información podremos incorporar a los modelos matemáticos en forma de procesadores para mejorar su rendimiento general. Este es el tema y la estructura que refleja el texto completo. Se incorporan al procesador de señales estimuladas aplicaciones actuales (por ejemplo, estructurales, de seguimiento, ecualización, biomédicas) y ejemplos sencillos. Se analizan ejemplos para ilustrar todos los modelos y preparar al lector para un mayor desarrollo en los siguientes capítulos. En cada caso, se analiza el procesador, junto con las simulaciones que lo acompañan, y se presenta la idoneidad y potencia de los métodos bayesianos para una variedad de conjuntos de datos. El texto propuesto proporciona el paquete de software MATLAB (software estándar de procesamiento de señales) y lo anota al final de cada capítulo.