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