Marginalized Particle Filters for Bayesian Estimation of Gaussian Noise Parameters

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F10%3A00347241" target="_blank" >RIV/67985556:_____/10:00347241 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Marginalized Particle Filters for Bayesian Estimation of Gaussian Noise Parameters

Popis výsledku v původním jazyce

The particle ?lter provides a general solution to the nonlinear ?ltering problem with arbitrarily accuracy. However, the curse of dimensionality prevents its application in cases where the state dimensionality is high. Further, estimation of stationary parameters is a known challenge in a particle ?lter framework. We suggest a marginalization approach for the case of unknown noise distribution parameters that avoid both aforementioned problem. First, the standard approach of augmenting the state vectorwith sensor o?sets and scale factors is avoided, so the state dimension is not increased. Second, the mean and covariance of both process and measurement noises are represented with parametric distributions, whose statistics are updated adaptively and analytically using the concept of conjugate prior distributions. The resulting marginalized particle ?lter is applied to and illustrated with a standard example from literature.

Název v anglickém jazyce

Marginalized Particle Filters for Bayesian Estimation of Gaussian Noise Parameters

Popis výsledku anglicky

The particle ?lter provides a general solution to the nonlinear ?ltering problem with arbitrarily accuracy. However, the curse of dimensionality prevents its application in cases where the state dimensionality is high. Further, estimation of stationary parameters is a known challenge in a particle ?lter framework. We suggest a marginalization approach for the case of unknown noise distribution parameters that avoid both aforementioned problem. First, the standard approach of augmenting the state vectorwith sensor o?sets and scale factors is avoided, so the state dimension is not increased. Second, the mean and covariance of both process and measurement noises are represented with parametric distributions, whose statistics are updated adaptively and analytically using the concept of conjugate prior distributions. The resulting marginalized particle ?lter is applied to and illustrated with a standard example from literature.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2010

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 13th International Conference on Information Fusion

ISBN

978-0-9824438-1-1

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

IET

Místo vydání

Edinburgh

Místo konání akce

Edinburgh

Datum konání akce

26. 7. 2010

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—