Neural Augmented Adaptive Grid Design for Point-Mass Filter

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F25%3A43976520" target="_blank" >RIV/49777513:23520/25:43976520 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/ICCC65605.2025.11022956" target="_blank" >https://doi.org/10.1109/ICCC65605.2025.11022956</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICCC65605.2025.11022956" target="_blank" >10.1109/ICCC65605.2025.11022956</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Neural Augmented Adaptive Grid Design for Point-Mass Filter

Popis výsledku v původním jazyce

This paper deals with the state estimation of nonlinear systems described by dynamic stochastic state-space models using a point-mass filter (PMF). The PMF is based on the approximation of the conditional probability density function by a piece-wise constant probability density, called the point-mass density (PMD), where the probability is evaluated at N grid points. The number of grid points significantly affects both the performance and computational complexity of the PMF. However, N is typically regarded as a user-defined parameter. The aim of this paper is to augment the PMF with a neural network (NN). This NN selects the smallest N that leads to the required estimation accuracy thus ensuring the minimal computational complexity.

Název v anglickém jazyce

Neural Augmented Adaptive Grid Design for Point-Mass Filter

Popis výsledku anglicky

This paper deals with the state estimation of nonlinear systems described by dynamic stochastic state-space models using a point-mass filter (PMF). The PMF is based on the approximation of the conditional probability density function by a piece-wise constant probability density, called the point-mass density (PMD), where the probability is evaluated at N grid points. The number of grid points significantly affects both the performance and computational complexity of the PMF. However, N is typically regarded as a user-defined parameter. The aim of this paper is to augment the PMF with a neural network (NN). This NN selects the smallest N that leads to the required estimation accuracy thus ensuring the minimal computational complexity.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GC25-16919J" target="_blank" >GC25-16919J: Pokročilé metody odhadu stavu v úloze sledování mnoha cílů</a><br>

Návaznosti

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

Rok uplatnění

2025

Kód důvěrnosti údajů

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

Název statě ve sborníku

2025 26th International Carpathian Control Conference (ICCC)

ISBN

979-8-3315-0127-3

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

1-6

Název nakladatele

IEEE

Místo vydání

Starý Smokovec

Místo konání akce

Starý Smokovec, Slovensko

Datum konání akce

19. 5. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—