Adaptive approximate filtering of state-space models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F15%3A00447270" target="_blank" >RIV/67985556:_____/15:00447270 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Adaptive approximate filtering of state-space models

Popis výsledku v původním jazyce

Approximate Bayesian computation (ABC) filtration of state-space models replaces popular particle filters in cases where the observation models (i.e. likelihoods) are either computationally too demanding or completely intractable, but it is still possible to simulate from them. These sequential Monte Carlo methods evaluate importance weights based on the distance between the true observation and the simulated pseudo-observations. The paper proposes a new adaptive method consisting of probability kernel-based evaluation of importance weights with online determination of kernel scale. It is shown that the resulting algorithm achieves performance close to particle filters in the case of well-specified models, and outperforms generic particle filters and state-of-art ABC filters under heavy-tailed noise and model misspecification.

Název v anglickém jazyce

Adaptive approximate filtering of state-space models

Popis výsledku anglicky

Approximate Bayesian computation (ABC) filtration of state-space models replaces popular particle filters in cases where the observation models (i.e. likelihoods) are either computationally too demanding or completely intractable, but it is still possible to simulate from them. These sequential Monte Carlo methods evaluate importance weights based on the distance between the true observation and the simulated pseudo-observations. The paper proposes a new adaptive method consisting of probability kernel-based evaluation of importance weights with online determination of kernel scale. It is shown that the resulting algorithm achieves performance close to particle filters in the case of well-specified models, and outperforms generic particle filters and state-of-art ABC filters under heavy-tailed noise and model misspecification.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GP14-06678P" target="_blank" >GP14-06678P: Distribuované dynamické odhadování v difuzních sítích</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of 23rd European Signal Processing Conference

ISBN

978-0-9928626-4-0

ISSN

2076-1465

e-ISSN

—

Počet stran výsledku

5

Strana od-do

2236-2240

Název nakladatele

EURASIP

Místo vydání

Nice

Místo konání akce

Nice

Datum konání akce

31. 8. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—