A particle stochastic approximation EM algorithm to identify 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%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>
Alternativní jazyky
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.
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 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