Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Design of Rao-Blackwellized Point-Mass Smoother for Conditionally Linear and Gaussian Models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F19%3A43956257" target="_blank" >RIV/49777513:23520/19:43956257 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://dx.doi.org/10.1109/TSP.2019.2949506" target="_blank" >https://dx.doi.org/10.1109/TSP.2019.2949506</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/TSP.2019.2949506" target="_blank" >10.1109/TSP.2019.2949506</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Design of Rao-Blackwellized Point-Mass Smoother for Conditionally Linear and Gaussian Models

  • Popis výsledku v původním jazyce

    This paper deals with the state estimation of nonlinear stochastic dynamic systems. Stress is laid on the numerical solution to the functional recursive relations providing conditional probability density functions of the state. In particular, a novel Rao-Blackwellized point-mass smoother with two implementations is proposed for conditionally linear and Gaussian state-space models, where part of the state vector is estimated by a computationally expensive point-mass smoother, whereas the remaining part of the state vector by a set of computationally efficient linear smoothers. Such decomposition results in a computationally less demanding smoother than the standard point-mass smoother for the considered models. The properties of the proposed smoother are discussed and its performance is numerically illustrated.

  • Název v anglickém jazyce

    Design of Rao-Blackwellized Point-Mass Smoother for Conditionally Linear and Gaussian Models

  • Popis výsledku anglicky

    This paper deals with the state estimation of nonlinear stochastic dynamic systems. Stress is laid on the numerical solution to the functional recursive relations providing conditional probability density functions of the state. In particular, a novel Rao-Blackwellized point-mass smoother with two implementations is proposed for conditionally linear and Gaussian state-space models, where part of the state vector is estimated by a computationally expensive point-mass smoother, whereas the remaining part of the state vector by a set of computationally efficient linear smoothers. Such decomposition results in a computationally less demanding smoother than the standard point-mass smoother for the considered models. The properties of the proposed smoother are discussed and its performance is numerically illustrated.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Transactions on Signal Processing

  • ISSN

    1053-587X

  • e-ISSN

  • Svazek periodika

    67

  • Číslo periodika v rámci svazku

    23

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    14

  • Strana od-do

    6053-6066

  • Kód UT WoS článku

    000499985600002

  • EID výsledku v databázi Scopus

    2-s2.0-85075644300