Point-Mass Filter with Decomposition of Transient Density

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00559994" target="_blank" >RIV/67985556:_____/22:00559994 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/49777513:23520/22:43966076

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ICASSP43922.2022.9747607" target="_blank" >http://dx.doi.org/10.1109/ICASSP43922.2022.9747607</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICASSP43922.2022.9747607" target="_blank" >10.1109/ICASSP43922.2022.9747607</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Point-Mass Filter with Decomposition of Transient Density

Popis výsledku v původním jazyce

The paper deals with the state estimation of nonlinear stochastic dynamic systems with special attention on a grid-based numerical solution to the Bayesian recursive relations, the point-mass filter (PMF). In the paper, a novel functional decomposition of the transient density describing the system dynamics is proposed. The decomposition is based on a non-negative matrix factorization and separates the density into functions of the future and current states. Such decomposition facilitates a thrifty calculation of the convolution, which is a bottleneck of the PMF performance. The PMF estimate quality and computational costs can be efficiently controlled by choosing an appropriate rank of the decomposition. The performance of the PMF with the transient density decomposition is illustrated in a terrain-aided navigation scenario.

Název v anglickém jazyce

Point-Mass Filter with Decomposition of Transient Density

Popis výsledku anglicky

The paper deals with the state estimation of nonlinear stochastic dynamic systems with special attention on a grid-based numerical solution to the Bayesian recursive relations, the point-mass filter (PMF). In the paper, a novel functional decomposition of the transient density describing the system dynamics is proposed. The decomposition is based on a non-negative matrix factorization and separates the density into functions of the future and current states. Such decomposition facilitates a thrifty calculation of the convolution, which is a bottleneck of the PMF performance. The PMF estimate quality and computational costs can be efficiently controlled by choosing an appropriate rank of the decomposition. The performance of the PMF with the transient density decomposition is illustrated in a terrain-aided navigation scenario.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GA22-11101S" target="_blank" >GA22-11101S: Tenzorový rozklad v aktivní diagnostice poruch pro stochastické rozlehlé systémy</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

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

Název statě ve sborníku

2022 IEEE International Conference on Acoustics, Speech, and Signal Processing

ISBN

978-1-6654-0540-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

5752-5756

Název nakladatele

IEEE

Místo vydání

Singapore

Místo konání akce

Singapur

Datum konání akce

22. 5. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000864187906010