Regularized estimation with variable exponential forgetting
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F20%3APU138218" target="_blank" >RIV/00216305:26620/20:PU138218 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9304385" target="_blank" >https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9304385</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CDC42340.2020.9304385" target="_blank" >10.1109/CDC42340.2020.9304385</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Regularized estimation with variable exponential forgetting
Popis výsledku v původním jazyce
The real-time estimation of normal regression-type models with unknown time-varying parameters is considered and discussed from the Bayesian perspective. A novel tracking technique combining the variable regularization approach with the forgetting operation is derived and elaborated into algorithmic details. The regularization of the parameter covariance is accomplished by incorporating soft equality constraints on the regression parameters into the learning procedure. The resultant procedure is designed to smooth the parameter estimate, preventing it from changing too rapidly. Moreover, the form of the constraints guarantees a minimal amount of information about the parameter estimate, which makes the estimator robust with respect to poor system excitation. The forgetting of obsolete information is provided in two different parameterization options and is performed automatically in a way that complies with the degree of the process nonstationarity. The whole concept preserves the selfreproducibility of the statistics of the normal-Wishart distribution.
Název v anglickém jazyce
Regularized estimation with variable exponential forgetting
Popis výsledku anglicky
The real-time estimation of normal regression-type models with unknown time-varying parameters is considered and discussed from the Bayesian perspective. A novel tracking technique combining the variable regularization approach with the forgetting operation is derived and elaborated into algorithmic details. The regularization of the parameter covariance is accomplished by incorporating soft equality constraints on the regression parameters into the learning procedure. The resultant procedure is designed to smooth the parameter estimate, preventing it from changing too rapidly. Moreover, the form of the constraints guarantees a minimal amount of information about the parameter estimate, which makes the estimator robust with respect to poor system excitation. The forgetting of obsolete information is provided in two different parameterization options and is performed automatically in a way that complies with the degree of the process nonstationarity. The whole concept preserves the selfreproducibility of the statistics of the normal-Wishart distribution.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2020
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
59th Conference on Decision and Control
ISBN
978-1-7281-7446-4
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
312-318
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Jeju Island, Republic of Korea
Datum konání akce
14. 12. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000717663400040