Rao-Blackwellized particle Gibbs kernels for smoothing in jump Markov nonlinear models
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F18%3APU128431" target="_blank" >RIV/00216305:26620/18:PU128431 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.23919/ECC.2018.8550408" target="_blank" >http://dx.doi.org/10.23919/ECC.2018.8550408</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.23919/ECC.2018.8550408" target="_blank" >10.23919/ECC.2018.8550408</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Rao-Blackwellized particle Gibbs kernels for smoothing in jump Markov nonlinear models
Popis výsledku v původním jazyce
Jump Markov nonlinear models (JMNMs) characterize a dynamical system by a finite number of presumably nonlinear and possibly non-Gaussian state-space configurations that switch according to a discrete-valued hidden Markov process. In this context, the smoothing problem - the task of estimating fixed points or sequences of hidden variables given all available data -is of key relevance to many objectives of statistical inference, including the estimation of static parameters. The present paper proposes a particle Gibbs with ancestor sampling (PGAS)-based smoother for JMNMs. The design methodology relies on integrating out the discrete process in order to increase the efficiency through Rao-Blackwellization. The experimental evaluation illustrates that the proposed method achieves higher estimation accuracy in less computational time compared to the original PGAS procedure.
Název v anglickém jazyce
Rao-Blackwellized particle Gibbs kernels for smoothing in jump Markov nonlinear models
Popis výsledku anglicky
Jump Markov nonlinear models (JMNMs) characterize a dynamical system by a finite number of presumably nonlinear and possibly non-Gaussian state-space configurations that switch according to a discrete-valued hidden Markov process. In this context, the smoothing problem - the task of estimating fixed points or sequences of hidden variables given all available data -is of key relevance to many objectives of statistical inference, including the estimation of static parameters. The present paper proposes a particle Gibbs with ancestor sampling (PGAS)-based smoother for JMNMs. The design methodology relies on integrating out the discrete process in order to increase the efficiency through Rao-Blackwellization. The experimental evaluation illustrates that the proposed method achieves higher estimation accuracy in less computational time compared to the original PGAS procedure.
Klasifikace
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)
Návaznosti výsledku
Projekt
<a href="/cs/project/LQ1601" target="_blank" >LQ1601: CEITEC 2020</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 16th European Control Conference, ECC 2018
ISBN
9783952426999
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
2466-2471
Název nakladatele
Institute of Electrical and Electronics Engineers (IEEE)
Místo vydání
neuveden
Místo konání akce
Limassol
Datum konání akce
12. 6. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000467725302082