Approximate recursive Bayesian estimation of state space model with uniform noise

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F18%3A00492001" target="_blank" >RIV/67985556:_____/18:00492001 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.5220/0006933803880394" target="_blank" >http://dx.doi.org/10.5220/0006933803880394</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0006933803880394" target="_blank" >10.5220/0006933803880394</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Approximate recursive Bayesian estimation of state space model with uniform noise

Popis výsledku v původním jazyce

This paper proposes a recursive algorithm for the state estimation of a linear stochastic state space model. A model with discrete-time inputs, outputs and states is considered. The model matrices are supposed to be known. A noise of the involved model is described by a uniform distribution. The states are estimated using Bayesian approach. Without using an approximation, the complexity of the posterior probability density function (pdf) increases with time. The paper proposes an approximation of this complex pdf so that a feasible support of the posterior pdf is kept during the estimation. The state estimation consists of two stages, namely the time and data update including the mentioned approximation. The behaviour of the proposed algorithm is illustrated by simulations and compared with other methods.

Název v anglickém jazyce

Approximate recursive Bayesian estimation of state space model with uniform noise

Popis výsledku anglicky

This paper proposes a recursive algorithm for the state estimation of a linear stochastic state space model. A model with discrete-time inputs, outputs and states is considered. The model matrices are supposed to be known. A noise of the involved model is described by a uniform distribution. The states are estimated using Bayesian approach. Without using an approximation, the complexity of the posterior probability density function (pdf) increases with time. The paper proposes an approximation of this complex pdf so that a feasible support of the posterior pdf is kept during the estimation. The state estimation consists of two stages, namely the time and data update including the mentioned approximation. The behaviour of the proposed algorithm is illustrated by simulations and compared with other methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GA18-15970S" target="_blank" >GA18-15970S: Optimální zpracování externí stochastické znalosti vyjádřené pomocí pravděpodobnostních distribucí</a><br>

Návaznosti

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

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

ICINCO 2018 : Proceedings of the 15th International Conference on Informatics in Control, Automation and Robotics

ISBN

978-989-758-321-6

ISSN

2184-2809

e-ISSN

—

Počet stran výsledku

7

Strana od-do

388-394

Název nakladatele

INSTICC, SCITEPRESS.

Místo vydání

Setubal

Místo konání akce

Porto

Datum konání akce

29. 7. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—