Gaussian process based recursive system identification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F14%3A43923270" target="_blank" >RIV/49777513:23520/14:43923270 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1088/1742-6596/570/1/012002" target="_blank" >http://dx.doi.org/10.1088/1742-6596/570/1/012002</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1088/1742-6596/570/1/012002" target="_blank" >10.1088/1742-6596/570/1/012002</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Gaussian process based recursive system identification

Popis výsledku v původním jazyce

This paper is concerned with the problem of recursive system identification using nonparametric Gaussian process model. Non-linear stochastic system in consideration is affine in control and given in the input-output form. The use of recursive Gaussian process algorithm for non-linear system identification is proposed to alleviate the computational burden of full Gaussian process. The problem of an online hyper-parameter estimation is handled using proposed ad-hoc procedure. The approach to system identification using recursive Gaussian process is compared with full Gaussian process in terms of model error and uncertainty as well as computational demands. Using Monte Carlo simulations it is shown, that the use of recursive Gaussian process with an ad-hoc learning procedure offers converging estimates of hyper-parameters and constant computational demands.

Název v anglickém jazyce

Gaussian process based recursive system identification

Popis výsledku anglicky

This paper is concerned with the problem of recursive system identification using nonparametric Gaussian process model. Non-linear stochastic system in consideration is affine in control and given in the input-output form. The use of recursive Gaussian process algorithm for non-linear system identification is proposed to alleviate the computational burden of full Gaussian process. The problem of an online hyper-parameter estimation is handled using proposed ad-hoc procedure. The approach to system identification using recursive Gaussian process is compared with full Gaussian process in terms of model error and uncertainty as well as computational demands. Using Monte Carlo simulations it is shown, that the use of recursive Gaussian process with an ad-hoc learning procedure offers converging estimates of hyper-parameters and constant computational demands.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

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)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

Journal of Physics: Conference Series

ISBN

—

ISSN

1742-6588

e-ISSN

—

Počet stran výsledku

9

Strana od-do

1-9

Název nakladatele

IOP Publishing

Místo vydání

Bristol

Místo konání akce

Berlin, Germany

Datum konání akce

13. 11. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—