Variable exponential forgetting for estimation of the statistics of the normal-Wishart distribution with a constant precision

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F19%3APU134599" target="_blank" >RIV/00216305:26620/19:PU134599 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/CDC40024.2019.9029290" target="_blank" >http://dx.doi.org/10.1109/CDC40024.2019.9029290</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CDC40024.2019.9029290" target="_blank" >10.1109/CDC40024.2019.9029290</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Variable exponential forgetting for estimation of the statistics of the normal-Wishart distribution with a constant precision

Popis výsledku v původním jazyce

The problem of estimating normal regression-type models with possibly time-varying regression parameters and constant noise precision is considered and examined from the Bayesian viewpoint. The solution we propose exploits a collaborative decision in order to face the incomplete model of parameter variations. Under this approach, a loss functional evaluating two prediction alternatives is constructed, which allows us to merge both alternatives, complying with the principles of optimization theory. Specifically, the posterior probability density function (pdf) and its flattened variant are combined by means of the geometric mean with automatically adjusted weights. The result is an automatic rescaling of the covariance matrix through the forgetting factor in response to empirically confirmed performance.

Název v anglickém jazyce

Variable exponential forgetting for estimation of the statistics of the normal-Wishart distribution with a constant precision

Popis výsledku anglicky

The problem of estimating normal regression-type models with possibly time-varying regression parameters and constant noise precision is considered and examined from the Bayesian viewpoint. The solution we propose exploits a collaborative decision in order to face the incomplete model of parameter variations. Under this approach, a loss functional evaluating two prediction alternatives is constructed, which allows us to merge both alternatives, complying with the principles of optimization theory. Specifically, the posterior probability density function (pdf) and its flattened variant are combined by means of the geometric mean with automatically adjusted weights. The result is an automatic rescaling of the covariance matrix through the forgetting factor in response to empirically confirmed performance.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

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

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

58th Conference on Decision and Control

ISBN

978-1-7281-1397-5

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

5094-5100

Název nakladatele

IEEE

Místo vydání

Nice, France

Místo konání akce

Nice, Francie

Datum konání akce

11. 12. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000560779004108