Design of variable exponential forgetting for estimation of the statistics of the Normal distribution

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F16%3APU121460" target="_blank" >RIV/00216305:26620/16:PU121460 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/document/7798426/" target="_blank" >http://ieeexplore.ieee.org/document/7798426/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CDC.2016.7798426" target="_blank" >10.1109/CDC.2016.7798426</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Design of variable exponential forgetting for estimation of the statistics of the Normal distribution

Popis výsledku v původním jazyce

A recursive algorithm for estimating the statistics of the Normal distribution is designed, making it adaptive in the sense that the forgetting factor is driven by data. A mechanism to suppress obsolete information is proposed, following the principles of Bayesian decision-making. Specifically, the best combination of two time-evolution model hypotheses in terms of the geometric mean is performed. The first hypothesis assumes no change in the parameter evolution, while the second one assumes that all parameter changes are equally admitted. In order to provide data-driven forgetting, complementary probabilities assigned to each hypothesis are determined as the maximizers of the decision problem. Simulations, including a performance comparison with a recently proposed self-tuning estimator, are presented.

Název v anglickém jazyce

Design of variable exponential forgetting for estimation of the statistics of the Normal distribution

Popis výsledku anglicky

A recursive algorithm for estimating the statistics of the Normal distribution is designed, making it adaptive in the sense that the forgetting factor is driven by data. A mechanism to suppress obsolete information is proposed, following the principles of Bayesian decision-making. Specifically, the best combination of two time-evolution model hypotheses in terms of the geometric mean is performed. The first hypothesis assumes no change in the parameter evolution, while the second one assumes that all parameter changes are equally admitted. In order to provide data-driven forgetting, complementary probabilities assigned to each hypothesis are determined as the maximizers of the decision problem. Simulations, including a performance comparison with a recently proposed self-tuning estimator, are presented.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

55th Conference on Decision and Control

ISBN

978-1-5090-1837-6

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

1179-1184

Název nakladatele

IEEE

Místo vydání

neuveden

Místo konání akce

Las Vegas

Datum konání akce

12. 12. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000400048101057