Efficient Point Mass Predictor for Continuous and Discrete Models with Linear Dynamics

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43969678" target="_blank" >RIV/49777513:23520/23:43969678 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.sciencedirect.com/science/article/pii/S2405896323009928?via%3Dihub" target="_blank" >https://www.sciencedirect.com/science/article/pii/S2405896323009928?via%3Dihub</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ifacol.2023.10.621" target="_blank" >10.1016/j.ifacol.2023.10.621</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Point Mass Predictor for Continuous and Discrete Models with Linear Dynamics

Popis výsledku v původním jazyce

This paper deals with state estimation of stochastic models with linear state dynamics, continuous or discrete in time. The emphasis is laid on a numerical solution to the state prediction by the time-update step of the grid-point-based point-mass filter (PMF), which is the most computationally demanding part of the PMF algorithm. A novel way of manipulating the grid, leading to the time-update in form of a convolution, is proposed. This reduces the PMF time complexity from quadratic to log-linear with respect to the number of grid points. Furthermore, the number of unique transition probability values is greatly reduced causing a significant reduction of the data storage needed. The proposed PMF prediction step is verified in a numerical study.

Název v anglickém jazyce

Efficient Point Mass Predictor for Continuous and Discrete Models with Linear Dynamics

Popis výsledku anglicky

This paper deals with state estimation of stochastic models with linear state dynamics, continuous or discrete in time. The emphasis is laid on a numerical solution to the state prediction by the time-update step of the grid-point-based point-mass filter (PMF), which is the most computationally demanding part of the PMF algorithm. A novel way of manipulating the grid, leading to the time-update in form of a convolution, is proposed. This reduces the PMF time complexity from quadratic to log-linear with respect to the number of grid points. Furthermore, the number of unique transition probability values is greatly reduced causing a significant reduction of the data storage needed. The proposed PMF prediction step is verified in a numerical study.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GA22-11101S" target="_blank" >GA22-11101S: Tenzorový rozklad v aktivní diagnostice poruch pro stochastické rozlehlé systémy</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the IFAC World Congress 2023

ISBN

978-1-71387-234-4

ISSN

2405-8963

e-ISSN

—

Počet stran výsledku

6

Strana od-do

5937-5942

Název nakladatele

Elsevier B.V.

Místo vydání

Yokohama

Místo konání akce

Yokohama, Japonsko

Datum konání akce

9. 7. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—