An Ef?cient Constrained Gaussian Particle Filter
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F11%3A43898216" target="_blank" >RIV/49777513:23520/11:43898216 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.3182/20110828-6-IT-1002.01833" target="_blank" >http://dx.doi.org/10.3182/20110828-6-IT-1002.01833</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3182/20110828-6-IT-1002.01833" target="_blank" >10.3182/20110828-6-IT-1002.01833</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
An Ef?cient Constrained Gaussian Particle Filter
Popis výsledku v původním jazyce
The paper deals with a state estimation of nonlinear stochastic dynamic systems subject to a nonlinear inequality constraint. A special focus is paid to particle filters, which provide an estimate of the whole probability density as opposed to the localfilters, such as the extended Kalman filter or the unscented Kalman filter, which provide a point estimate only. Within the particle filtering framework, there are several approaches to the constrained state estimation, mostly based on discarding samplesviolating the constraint with a possible increase of their number to improve the estimate quality. The paper aims at proposing a modi?cation to an importance function of the particle filter in order to increase ef?ciency of sampling while keeping the computational complexity low. The proposed modi?cation is utilized within the Gaussian particle filter which is advantageous for its low computational complexity. Complexity and estimation quality of the proposed constrained Gaussian partic
Název v anglickém jazyce
An Ef?cient Constrained Gaussian Particle Filter
Popis výsledku anglicky
The paper deals with a state estimation of nonlinear stochastic dynamic systems subject to a nonlinear inequality constraint. A special focus is paid to particle filters, which provide an estimate of the whole probability density as opposed to the localfilters, such as the extended Kalman filter or the unscented Kalman filter, which provide a point estimate only. Within the particle filtering framework, there are several approaches to the constrained state estimation, mostly based on discarding samplesviolating the constraint with a possible increase of their number to improve the estimate quality. The paper aims at proposing a modi?cation to an importance function of the particle filter in order to increase ef?ciency of sampling while keeping the computational complexity low. The proposed modi?cation is utilized within the Gaussian particle filter which is advantageous for its low computational complexity. Complexity and estimation quality of the proposed constrained Gaussian partic
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BC - Teorie a systémy řízení
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP103%2F11%2F1353" target="_blank" >GAP103/11/1353: Odhad stavu dynamických stochastických systémů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
IFAC Proceedings Volumes (IFAC-PapersOnline)
ISSN
1474-6670
e-ISSN
—
Svazek periodika
18
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
IT - Italská republika
Počet stran výsledku
6
Strana od-do
11973-11978
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—