A particle stochastic approximation EM algorithm to identify jump Markov nonlinear models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F18%3APU128432" target="_blank" >RIV/00216305:26620/18:PU128432 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.ifacol.2018.09.205" target="_blank" >http://dx.doi.org/10.1016/j.ifacol.2018.09.205</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ifacol.2018.09.205" target="_blank" >10.1016/j.ifacol.2018.09.205</a>

Jazyk výsledku

angličtina

Název v původním jazyce

A particle stochastic approximation EM algorithm to identify jump Markov nonlinear models

Popis výsledku v původním jazyce

The identification of static parameters in jump Markov nonlinear models (JMNMs) poses a key challenge in explaining nonlinear and abruptly changing behavior of dynamical systems. This paper introduces a stochastic approximation expectation maximization algorithm to facilitate offline maximum likelihood parameter estimation in JMNMs. The method relies on the construction of a particle Gibbs kernel that takes advantage of the inherent structure of the model to increase the efficiency through Rao-Blackwellization. Numerical examples illustrate that the proposed solution outperforms related approaches.

Název v anglickém jazyce

A particle stochastic approximation EM algorithm to identify jump Markov nonlinear models

Popis výsledku anglicky

The identification of static parameters in jump Markov nonlinear models (JMNMs) poses a key challenge in explaining nonlinear and abruptly changing behavior of dynamical systems. This paper introduces a stochastic approximation expectation maximization algorithm to facilitate offline maximum likelihood parameter estimation in JMNMs. The method relies on the construction of a particle Gibbs kernel that takes advantage of the inherent structure of the model to increase the efficiency through Rao-Blackwellization. Numerical examples illustrate that the proposed solution outperforms related approaches.

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

<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)

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 18th Symposium on System Identification, SYSID 2018

ISBN

—

ISSN

2405-8963

e-ISSN

—

Počet stran výsledku

6

Strana od-do

676-681

Název nakladatele

International Federation of Automatic Control (IFAC)

Místo vydání

Neuveden

Místo konání akce

Stockholm

Datum konání akce

9. 7. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000446599200115