Bayesian Filtering for States Uniformly Distributed on a Parallelotopic Support

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00519515" target="_blank" >RIV/67985556:_____/19:00519515 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ISSPIT47144.2019.9001829" target="_blank" >http://dx.doi.org/10.1109/ISSPIT47144.2019.9001829</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISSPIT47144.2019.9001829" target="_blank" >10.1109/ISSPIT47144.2019.9001829</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bayesian Filtering for States Uniformly Distributed on a Parallelotopic Support

Popis výsledku v původním jazyce

This paper contributes to the literature on Bayesian filtering in the case where the processes driving the states and observations are uniformly distributed on finite intervals. We introduce the class of uniform distributions on parallelotopic supports (UPS). We derive optimal local distributional projections (i.e. approximations) within this UPS class-in the sense of minimum Kullback-Leibler divergence-of the outputs of the data and time updates of filtering. We demonstrate that the UPS class provides a tighter approximation (and therefore more precise inferences) than a previously reported approximation on orthotopic supports. It does this, while still achieving bounded complexity in the resulting recursive filtering algorithm. The comparative performance of the UPS-closed filtering algorithm is explored-via both Bayesian and frequentist performance measures-as a function of signal-to-noise ratio and state dimension in a position-velocity system.

Název v anglickém jazyce

Bayesian Filtering for States Uniformly Distributed on a Parallelotopic Support

Popis výsledku anglicky

This paper contributes to the literature on Bayesian filtering in the case where the processes driving the states and observations are uniformly distributed on finite intervals. We introduce the class of uniform distributions on parallelotopic supports (UPS). We derive optimal local distributional projections (i.e. approximations) within this UPS class-in the sense of minimum Kullback-Leibler divergence-of the outputs of the data and time updates of filtering. We demonstrate that the UPS class provides a tighter approximation (and therefore more precise inferences) than a previously reported approximation on orthotopic supports. It does this, while still achieving bounded complexity in the resulting recursive filtering algorithm. The comparative performance of the UPS-closed filtering algorithm is explored-via both Bayesian and frequentist performance measures-as a function of signal-to-noise ratio and state dimension in a position-velocity system.

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

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the IEEE International Symposium on Signal Processing and Information Technology 2019 (ISSPIT 2019)

ISBN

978-1-7281-5341-4

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Ajman

Datum konání akce

10. 12. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—