برچسب in - یارا فایل

Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains, 2013, Wiley

اختصاصی از یارا فایل Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains, 2013, Wiley دانلود با لینک مستقیم و پرسرعت .

Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains, 2013, Wiley

Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains

2013, Wiley

table of contents

1 Introduction 1
1.1 Introduction to System Identification 1
1.1.1 System Models and Simulation 1
1.1.2 Systems and Signals 3
1.1.3 System Identification 3
1.2 Linear System Identification 3
1.3 Nonlinear System Identification 5
1.4 NARMAX Methods 7
1.5 The NARMAX Philosophy 8
1.6 What is System Identification For? 9
1.7 Frequency Response of Nonlinear Systems 11
1.8 Continuous-Time, Severely Nonlinear, and Time-Varying Models
and Systems 12
1.9 Spatio-temporal Systems 13
1.10 Using Nonlinear System Identification in Practice and Case Study Examples 13
References 14
2 Models for Linear and Nonlinear Systems 17
2.1 Introduction 17
2.2 Linear Models 18
2.2.1 Autoregressive Moving Average with Exogenous Input Model 18
2.2.2 Parameter Estimation for Linear Models 20
2.3 Piecewise Linear Models 22
2.3.1 Spatial Piecewise Linear Models 23
2.3.2 Models with Signal-Dependent Parameters 26
2.3.3 Remarks on Piecewise Linear Models 29
2.4 Volterra Series Models 30
viii Contents
2.5 Block-Structured Models 31
2.5.1 Parallel Cascade Models 32
2.5.2 Feedback Block-Structured Models 32
2.6 NARMAX Models 33
2.6.1 Polynomial NARMAX Model 35
2.6.2 Rational NARMAX Model 37
2.6.3 The Extended Model Set Representation 39
2.7 Generalised Additive Models 40
2.8 Neural Networks 41
2.8.1 Multi-layer Networks 41
2.8.2 Single-Layer Networks 42
2.9 Wavelet Models 45
2.9.1 Dynamic Wavelet Models 46
2.10 State-Space Models 48
2.11 Extensions to the MIMO Case 49
2.12 Noise Modelling 49
2.12.1 Noise-Free 50
2.12.2 Additive Random Noise 50
2.12.3 Additive Coloured Noise 50
2.12.4 General Noise 51
2.13 Spatio-temporal Models 52
References 53
3 Model Structure Detection and Parameter Estimation 61
3.1 Introduction 61
3.2 The Orthogonal Least Squares Estimator and the Error Reduction Ratio 64
3.2.1 Linear-in-the-Parameters Representation 64
3.2.2 The Matrix Form of the Linear-in-the-Parameters
Representation 65
3.2.3 The Basic OLS Estimator 65
3.2.4 The Matrix Formulation of the OLS Estimator 67
3.2.5 The Error Reduction Ratio 68
3.2.6 An Illustrative Example of the Basic OLS Estimator 69
3.3 The Forward Regression OLS Algorithm 70
3.3.1 Forward Regression with OLS 72
3.3.2 An Illustrative Example of Forward Regression with OLS 77
3.3.3 The OLS Estimation Engine and Identification Procedure 78
3.4 Term and Variable Selection 79
3.5 OLS and Sum of Error Reduction Ratios 80
3.5.1 Sum of Error Reduction Ratios 82
3.5.2 The Variance of the s-Step-Ahead Prediction Error 82
3.5.3 The Final Prediction Error 83
3.5.4 The Variable Selection Algorithm 83
3.6 Noise Model Identification 84
3.6.1 The Noise Model 84
3.6.2 A Simulation Example with Noise Modelling 87
Contents ix
3.7 An Example of Variable and Term Selection for a Real Data Set 87
3.8 ERR is Not Affected by Noise 94
3.9 Common Structured Models to Accommodate Different Parameters 95
3.10 Model Parameters as a Function of Another Variable 98
3.10.1 System Internal and External Parameters 98
3.10.2 Parameter-Dependent Model Structure 98
3.10.3 Modelling Auxetic Foams – An Example of External
Parameter-Dependent Model Identification 99
3.11 OLS and Model Reduction 100
3.12 Recursive Versions of OLS 102
References 102
4 Feature Selection and Ranking 105
4.1 Introduction 105
4.2 Feature Selection and Feature Extraction 106
4.3 Principal Components Analysis 107
4.4 A Forward Orthogonal Search Algorithm 108
4.4.1 The Basic Idea of the FOS-MOD Algorithm 108
4.4.2 Feature Detection and Ranking 109
4.4.3 Monitoring the Search Procedure 111
4.4.4 Illustrative Examples 112
4.5 A Basis Ranking Algorithm Based on PCA 113
4.5.1 Principal Component-Derived Multiple Regression 113
4.5.2 PCA-Based MFROLS Algorithms 114
4.5.3 An Illustrative Example 115
References 117
5 Model Validation 119
5.1 Introduction 119
5.2 Detection of Nonlinearity 121
5.3 Estimation and Test Data Sets 123
5.4 Model Predictions 124
5.4.1 One-Step-Ahead Prediction 124
5.4.2 Model Predicted Output 126
5.5 Statistical Validation 127
5.5.1 Correlation Tests for Input–Output Models 128
5.5.2 Correlation Tests for Time Series Models 132
5.5.3 Correlation Tests for MIMO Models 133
5.5.4 Output-Based Tests 134
5.6 Term Clustering 135
5.7 Qualitative Validation of Nonlinear Dynamic Models 137
5.7.1 Poincaré Sections 139
5.7.2 Bifurcation Diagrams 139
5.7.3 Cell Maps 140
5.7.4 Qualitative Validation in Nonlinear System Identification 140
References 145
x Contents
6 The Identification and Analysis of Nonlinear Systems
in the Frequency Domain 149
6.1 Introduction 149
6.2 Generalised Frequency Response Functions 151
6.2.1 The Volterra Series Representation of Nonlinear Systems 153
6.2.2 Generalised Frequency Response Functions 156
6.2.3 The Relationship Between GFRFs and Output Response
of Nonlinear Systems 157
6.2.4 Interpretation of the Composition of the Output Frequency Response
of Nonlinear Systems 162
6.2.5 Estimation and Computation of GFRFs 165
6.2.6 The Analysis of Nonlinear Systems Using GFRFs 176
6.3 Output Frequencies of Nonlinear Systems 184
6.3.1 Output Frequencies of Nonlinear Systems under
Multi-tone Inputs 185
6.3.2 Output Frequencies of Nonlinear Systems for General Inputs 187
6.4 Nonlinear Output Frequency Response Functions 191
6.4.1 Definition and Properties of NOFRFs 192
6.4.2 Evaluation of NOFRFs 195
6.4.3 Damage Detection Using NARMAX Modelling and NOFRF-Based
Analysis 196
6.5 Output Frequency Response Function of Nonlinear Systems 202
6.5.1 Definition of the OFRF 203
6.5.2 Determination of the OFRF 203
6.5.3 Application of the OFRF to Analysis of Nonlinear Damping
for Vibration Control 207
References 213
7 Design of Nonlinear Systems in the Frequency Domain – Energy
Transfer Filters and Nonlinear Damping 217
7.1 Introduction 217
7.2 Energy Transfer Filters 218
7.2.1 The Time and Frequency Domain Representation
of the NARX Model with Input Nonlinearity 220
7.2.2 Energy Transfer Filter Designs 222
7.3 Energy Focus Filters 240
7.3.1 Output Frequencies of Nonlinear Systems with Input Signal Energy
Located in Two Separate Frequency Intervals 241
7.3.2 The Energy Focus Filter Design Procedure and an Example 245
7.4 OFRF-Based Approach for the Design of Nonlinear Systems in the
Frequency Domain 249
7.4.1 OFRF-Based Design of Nonlinear Systems
in the Frequency Domain 249
7.4.2 Design of Nonlinear Damping in the Frequency Domain for
Vibration Isolation: An Experimental Study 251
References 259
Contents xi
8 Neural Networks for Nonlinear System Identification 261
8.1 Introduction 261
8.2 The Multi-layered Perceptron 263
8.3 Radial Basis Function Networks 264
8.3.1 Training Schemes for RBF Networks 266
8.3.2 Fixed Kernel Centres with a Single Width 266
8.3.3 Limitation of RBF Networks with a Single Kernel Width 268
8.3.4 Fixed Kernel Centres and Multiple Kernel Widths 269
8.4 Wavelet Networks 270
8.4.1 Wavelet Decompositions 271
8.4.2 Wavelet Networks 272
8.4.3 Limitations of Fixed Grid Wavelet Networks 273
8.4.4 A New Class of Wavelet Networks 274
8.5 Multi-resolution Wavelet Models and Networks 277
8.5.1 Multi-resolution Wavelet Decompositions 277
8.5.2 Multi-resolution Wavelet Models and Networks 280
8.5.3 An Illustrative Example 282
References 284
9 Severely Nonlinear Systems 289
9.1 Introduction 289
9.2 Wavelet NARMAX Models 291
9.2.1 Nonlinear System Identification Using Wavelet Multi-resolution
NARMAX Models 292
9.2.2 A Strategy for Identifying Nonlinear Systems 299
9.3 Systems that Exhibit Sub-harmonics and Chaos 301
9.3.1 Limitations of the Volterra Series Representation 301
9.3.2 Time Domain Analysis 302
9.4 The Response Spectrum Map 305
9.4.1 Introduction 305
9.4.2 Examples of the Response Spectrum Map 306
9.5 A Modelling Framework for Sub-harmonic and Severely
Nonlinear Systems 313
9.5.1 Input Signal Decomposition 314
9.5.2 MISO NARX Modelling in the Time Domain 317
9.6 Frequency Response Functions for Sub-harmonic Systems 320
9.6.1 MISO Frequency Domain Volterra Representation 320
9.6.2 Generating the GFRFs from the MISO Model 322
9.7 Analysis of Sub-harmonic Systems and the Cascade to Chaos 326
9.7.1 Frequency Domain Response Synthesis 326
9.7.2 An Example of Frequency Domain Analysis for
Sub-harmonic Systems 332
References 334
10 Identification of Continuous-Time Nonlinear Models 337
10.1 Introduction 337
xii Contents
10.2 The Kernel Invariance Method 338
10.2.1 Definitions 338
10.2.2 Reconstructing the Linear Model Terms 342
10.2.3 Reconstructing the Quadratic Model Terms 346
10.2.4 Model Structure Determination 348
10.3 Using the GFRFs to Reconstruct Nonlinear Integro-differential Equation
Models Without Differentiation 352
10.3.1 Introduction 352
10.3.2 Reconstructing the Linear Model Terms 355
10.3.3 Reconstructing the Quadratic Model Terms 358
10.3.4 Reconstructing the Higher-Order Model Terms 361
10.3.5 A Real Application 364
References 367
11 Time-Varying and Nonlinear System Identification 371
11.1 Introduction 371
11.2 Adaptive Parameter Estimation Algorithms 372
11.2.1 The Kalman Filter Algorithm 372
11.2.2 The RLS and LMS Algorithms 375
11.2.3 Some Practical Considerations for the KF, RLS,
and LMS Algorithms 376
11.3 Tracking Rapid Parameter Variations Using Wavelets 376
11.3.1 A General Form of TV-ARX Models Using Wavelets 376
11.3.2 A Multi-wavelet Approach for Time-Varying Parameter Estimation 377
11.4 Time-Dependent Spectral Characterisation 378
11.4.1 The Definition of a Time-Dependent Spectral Function 378
11.5 Nonlinear Time-Varying Model Estimation 380
11.6 Mapping and Tracking in the Frequency Domain 381
11.6.1 Time-Varying Frequency Response Functions 381
11.6.2 First and Second-Order TV-GFRFs 382
11.7 A Sliding Window Approach 388
References 389
12 Identification of Cellular Automata and N-State Models
of Spatio-temporal Systems 391
12.1 Introduction 391
12.2 Cellular Automata 393
12.2.1 History of Cellular Automata 393
12.2.2 Discrete Lattice 393
12.2.3 Neighbourhood 394
12.2.4 Transition Rules 396
12.2.5 Simulation Examples of Cellular Automata 399
12.3 Identification of Cellular Automata 402
12.3.1 Introduction and Review 402
12.3.2 Polynomial Representation 403
12.3.3 Neighbourhood Detection and Rule Identification 405
Contents xiii
12.4 N-State Systems 414
12.4.1 Introduction to Excitable Media Systems 414
12.4.2 Simulation of Excitable Media 415
12.4.3 Identification of Excitable Media Using a CA Model 419
12.4.4 General N-State Systems 424
References 427
13 Identification of Coupled Map Lattice and Partial Differential
Equations of Spatio-temporal Systems 431
13.1 Introduction 431
13.2 Spatio-temporal Patterns and Continuous-State Models 432
13.2.1 Stem Cell Colonies 433
13.2.2 The Belousov–Zhabotinsky Reaction 434
13.2.3 Oxygenation in Brain 434
13.2.4 Growth Patterns 435
13.2.5 A Simulated Example Showing Spatio-temporal Chaos
from CML Models 435
13.3 Identification of Coupled Map Lattice Models 437
13.3.1 Deterministic CML Models 437
13.3.2 The Identification of Stochastic CML Models 454
13.4 Identification of Partial Differential Equation Models 458
13.4.1 Model Structure 458
13.4.2 Time Discretisation 459
13.4.3 Nonlinear Function Approximation 459
13.5 Nonlinear Frequency Response Functions for Spatio-temporal Systems 466
13.5.1 A One-Dimensional Example 467
13.5.2 Higher-Order Frequency Response Functions 468
References 471
14 Case Studies 473
14.1 Introduction 473
14.2 Practical System Identification 474
14.3 Characterisation of Robot Behaviour 478
14.3.1 Door Traversal 478
14.3.2 Route Learning 482
14.4 System Identification for Space Weather and the Magnetosphere 484
14.5 Detecting and Tracking Iceberg Calving in Greenland 493
14.5.1 Causality Detection 494
14.5.2 Results 495
14.6 Detecting and Tracking Time-Varying Causality for EEG Data 498
14.6.1 Data Acquisition 499
14.6.2 Causality Detection 500
14.6.3 Detecting Linearity and Nonlinearity 504
14.7 The Identification and Analysis of Fly Photoreceptors 505
14.7.1 Identification of the Fly Photoreceptor 506
14.7.2 Model-Based System Analysis in the Time
and Frequency Domain 507
xiv Contents
14.8 Real-Time Diffuse Optical Tomography Using RBF Reduced-Order Models
of the Propagation of Light for Monitoring Brain Haemodynamics 514
14.8.1 Diffuse Optical Imaging 515
14.8.2 In-vivo Real-Time 3-D Brain Imaging Using Reduced-Order
Forward Models 517
14.9 Identification of Hysteresis Effects in Metal Rubber Damping Devices 522
14.9.1 Dynamic Modelling of Metal Rubber Damping Devices 523
14.9.2 Model Identification of a Metal Rubber Specimen 526
14.10 Identification of the Belousov–Zhabotinsky Reaction 528
14.10.1 Data Acquisition 529
14.10.2 Model Identification 530
14.11 Dynamic Modelling of Synthetic Bioparts 534
14.11.1 The Biopart and the Experiments 535
14.11.2 NARMAX Model of the Synthetic Biopart 536
14.12 Forecasting High Tides in the Venice Lagoon 539
14.12.1 Time Series Forecasting Problem 540
14.12.2 Water-Level Modelling and High-Tide Forecasting 541
References 543
Index 5

دانلود با لینک مستقیم

Nonlinear System Identification NARMAX method in the Time frequency and

yarafile شنبه 8 اسفند 1394 ساعت 12:18

0 نظر

کتاب مکانیک و کنترل در رباتیک (Mechanics and Control in Robotics)

اختصاصی از یارا فایل کتاب مکانیک و کنترل در رباتیک (Mechanics and Control in Robotics) دانلود با لینک مستقیم و پرسرعت .

کتاب مکانیک و کنترل در رباتیک (Mechanics and Control in Robotics)

در حال حاضر، بررسی ابعاد مختلف تحقیقات روباتیک توسط متخصصان زمینه های گوناگون انجام می پذیرد. معمولا نمی توان فردی را پیدا کرد که بر کل زمینه رباتیک مسلط باشد. از این رو این رشته به رشته‌های فرعی تقسیم شده است. به طور مجرد می‌‌توان رباتیک را به چهار رشته فرعی اعمال مکانیکی، انتقال و حرکت، بینایی کامپیوتر و هوش مصنوعی تقسیم کرد. در این کتاب رشته فرعی علم و مهندسی‌ اعمال مکانیکی معرفی‌ می‌‌شود. مبانی این رشته فرعی روباتیکی در چندین زمینه کلاسیک مختلف یافت می‌‌شود که اصلی ترین آن‌ها مکانیک، نظریه کنترل و علوم کامپیوتر است.

کتاب مکانیک و کنترل در رباتیک (Mechanics and Control in Robotics)، نوشته جان کریگ می باشد که توسط دکتر علی مقداری و مهندس فائزه میر فخرایی از دانشگاه صنعتی شریف ترجمه شده است. در این کتاب فصل‌های ۱ تا ۸ عنوان‌هایی‌ از مهندسی‌ مکانیک و ریاضیات، فصل‌های ۹ تا ۱۱ موضوعاتی در نظریه کنترل و فصل‌های ۱۲ تا ۱۳ مطالبی در علوم کامپیوتری را در بر می‌‌گیرند. به علاوه، در این کتاب بر جنبه‌های محاسباتی مسائل تاکید شده است و در پایان فصل‌هایی‌ که بیشتر درباره مکانیک بحث کرده اند، بخشی کوتاه ویژه مسائل محاسباتی در نظر گرفته شده است. این کتاب مشتمل بر 570 صفحه، در 13 فصل، به زبان فارسی، همراه با تصاویر به ترتیب زیر گردآوری شده است:

فصل اول: مقدمه

زمینه
مکانیک و کنترل بازوهای مکانیکی ماهر
نمادگذاری

فصل دوم :توصیف ها و تبدیل های فضایی کلی

مقدمه
توصیف ها: مکان ها، جهت گیری ها و چهار چوب ها
نگاشت ها: تغییر دادن توصیف ها از چهارچوبی به چهارچوب دیگر
عملگرها: انتقال ها، دوران ها و تبدیل های کلی
خلاصه تعبیرها
عملیات ریاضی در تبدیل کلی
معادله های تبدیل
مطالبی دیگر درباره نمایش جهت گیری
تبدیل بردارهای آزاد
ملاحظات محاسباتی

فصل سوم: سینماتیک بازوهای مکانیکی ماهر

مقدمه
توصیف رابط
توصیف اتصال رابط
قرارداد برای اتصال چهارچوب ها به رابط ها
سینماتیک بازوهای مکانیکی ماهر
فضای کاراندازی، فضای مفصلی و فضای دکارتی
مثال ها: سینماتیک دو روبات صنعتی
چهارچوب های با نام های استاندارد
ابزار کجاست؟
ملاحظات محاسباتی

فصل چهارم: سینماتیک وارون بازوهای مکانیکی ماهر

مقدمه
حل پذیر بودن
نمادگذاری زیر فضای بازوی مکانیکی ماهر در حالت 6 >n
راه حل جبری در مقابل راه حل هندسی
راه حل جبری از طریق تبدیل به چند جمله ای
روش حل پایپر برای سه محور متقاطع در یک نقطه
مثال هایی از سینماتیک وارون بازوهای مکانیکی ماهر
چهارچوب های استاندارد
استفاده از زیر برنامه SOLVE برای بازو های مکانیکی ماهر
دقت و تکرارپذیری
ملاحظات محاسباتی

فصل پنجم: ژاکوبی ها، سرعت ها و نیروهای استاتیکی

مقدمه
نمادگذاری برای مکان و جهت گیری متغیر با زبان
سرعت خطی و دورانی اجسام صلب
مطالبی بیشتر درباره سرعت زاویه ای
حرکت رابط های روبات
چگونگی اشاعه سرعت از رابطی به رابط دیگر
ژاکوبی ها
حالت های تکین
نیروهای استاتیکی در بازوهای مکانیکی ماهر
ژاکوبی ها در حوزه نیرو
تبدیل دکارتی سرعت ها و نیروهای استاتیکی

فصل ششم: دینامیک بازوهای مکانیکی ماهر

مقدمه
شتاب جسم صلب
توزیع جرم
معادله نیوتن معادله اویلر
محاسبات دینامیکی تکراری نیوتن اویلر
معادله های تکراری و معادله های به شکل بسته
مثالی از معادله های دینامیکی بسته
ساختار معادله های دینامیکی بازوهای مکانیکی ماهر
روش لاگرانژ در به دست آوردن معادله های دینامیکی بازوهای مکانیکی
بدست آوردن معادله های دینامیکی بازوهای مکانیکی در فضای دکارتی
شمول اثرات جسم غیر صلب
شبیه سازی دینامیکی
ملاحظات محاسباتی

فصل هفتم: تولید مسیر

مقدمه
ملاحظات کلی درباره توصیف و تولید مسیر
روش های فضای مفصلی
روش های فضای دکارتی
مشکلات هندسی مسیرهای دکارتی
تولید مسیر در هنگام اجرای برنامه کامپیوتری
توصیف مسیر با زبان برنامه ریزی روبات
طرح ریزی مسیر با استفاده از مدل دینامیکی
طرح ریزی مسیرهای عاری از برخورد

فصل هشتم: مکانیزم بازوهای مکانیکی ماهر

مقدمه
طراحی بر پایه عملیات خواسته شده از روبات
پیکربندی سینماتیکی
معیارهای کمی مشخصات فضای کاری
سازه های زنجیری زاید و بسته
روش های کارانداز
سختی و تغییر شکل خمشی
حس مکان
حس نیرو

فصل نهم: کنترل خطی بازوهای مکانیکی ماهر

مقدمه
کنترل مدار بسته و پس خوراند (فید بک)
سیستم های خطی درجه دوم
کنترل سیستم های درجه دوم
تقسیم قانون کنترل
کنترل تعقیب مسیر
دفع اغتشاش
کنترل زمانی پیوسته و ناپیوسته (منقطع)
مدل سازی و کنترل یک مفصل تنها
ساختمان کنترل کننده یک روبات صنعتی

فصل دهم: کنترل غیر خطی بازوهای مکانیکی ماهر

مقدمه
سیستم های غیر خطی و متغیر با زمان
سیستم های کنترل چند ورودی چند خروجی
کنترل بازوهای مکانیکی ماهر
ملاحظات عملی
سیستم های کنترل روبات های صنعتی امروزی
تحلیل پایداری لیاپونوف
سیستم های کنترل مبتنی بر مختصات دکارتی
کنترل تطبیقی

فصل یازدهم: کنترل نیرو در بازوهای مکانیکی ماهر

مقدمه
کاربرد روبات های صنعتی در عملیات مونتاژ
چهارچوب اعمال کنترل در عملیات مقید شده جزئی
مسئله کنترل ترکیبی مکان نیرو
کنترل نیروی سیستم جرم فنر
روش های کنترل ترکیبی مکان نیرو
روش های کنترل روبات های صنعتی کنونی

فصل دوازدهم: سیستم ها و زبان های برنامه ریزی روبات

مقدمه
سه شیوه برنامه ریزی روبات
کاربردی نمونه
شرایط لازم برای زبان برنامه ریزی روبات
کاربردی نمونه به سه زبان برنامه ریزی روبات
مسائل ویژه در زبان های برنامه ریزی روبات

فصل سیزدهم: برنامه ریزی خارج خط

مقدمه
مطالب اصلی در سیستم های OLP
ایستگاه Cim
اتوماسیون عملیات فرعی در سیستم های OLP
خلاصه

لازم به ذکر است که علاوه بر کتاب فوق، راهنمای حل مسائل کتاب نیز جهت دانلود قرار داده شده است.

جهت خرید کتاب مکانیک و کنترل در رباتیک (Mechanics and Control in Robotics) به مبلغ فقط 2000 تومان و دانلود آن بر لینک پرداخت و دانلود در پنجره زیر کلیک نمایید.

!!لطفا قبل از خرید از فرشگاه اینترنتی کتیا طراح برتر قیمت محصولات ما را با سایر فروشگاه ها و محصولات آن ها مقایسه نمایید!!

!!!تخفیف ویژه برای کاربران ویژه!!!

با خرید حداقل 10000 (ده هزارتومان) از محصولات فروشگاه اینترنتی کتیا طراح برتر برای شما کد تخفیف ارسال خواهد شد. با داشتن این کد از این پس می توانید سایر محصولات فروشگاه را با 20% تخفیف خریداری نمایید. کافی است پس از انجام 10000 تومان خرید موفق عبارت درخواست کد تخفیف و ایمیل که موقع خرید ثبت نمودید را به شماره موبایل 09365876274 ارسال نمایید. همکاران ما پس از بررسی درخواست، کد تخفیف را به شماره شما پیامک خواهند نمود.

دانلود با لینک مستقیم

کتاب مکانیک کنترل در رباتیک (Mechanics and CONTROL in Robotics)

yarafile شنبه 8 اسفند 1394 ساعت 11:32

0 نظر