0312650 - ÚTIA 2009 RIV SI eng C - Konferenční příspěvek (zahraniční konf.)
Pavelková, Lenka
Problem of State Filtering in Case of Partially Known System Matrices.
[Úloha filtrace stavu v případě částečně známých matic modelu.]
Proceedings of the 9th International PhD Workshop on Systems and Control. Ljubljana: Jožef Stefan Institute, 2008 - (Gašperin, M.; Pregelj, B.), s. 1-6. ISBN 978-961-264-003-3.
[International PhD Workshop on Systems and Control. Izola (SI), 01.10.2008-03.10.2008]
Grant CEP: GA MŠMT 1M0572; GA MŠMT 2C06001
Výzkumný záměr: CEZ:AV0Z10750506
Klíčová slova: state model * uniform innovations * state filtration * parameter estimation
Kód oboru RIV: BC - Teorie a systémy řízení
Web výsledku:
http://library.utia.cas.cz/separaty/2008/AS/pavelkova-problem%20of%20state%20filtering%20%20in%20case%20of%20partially%20known%20system%20matrices.pdf

The linear state-space model with uniform innovations (LU model) proposed in previous author's work is extended here. The states and parameters of LU model are estimated under hard physical bounds. The estimation of the innovation boundaries is also included. Maximum a posteriori probability estimation reduces to the linear programming. The on-line estimation is running within the sliding window. Compared to the original model, we consider that model matrices can be time-variant. Also, offset terms are included. We present the problem of the joint parameter and state estimation, i.e., the state filtering with unknown model matrices. The ambiguity in the state estimates can be substantially decreased by the partial knowledge of some entries in the model matrices. The simple example illustrates this approach.

Příspěvek rozšiřuje rovnoměrný stavový model, zavedený v předchozích příspěvcích autora. Stavy a parametry jsou odhadované za přítomnosti pevných omezení, odhad mezí šumu je rovněž zahrnut. Maximálně věrohodný odhad je získán pomocí lineárního programování. On-line odhad probíhá na posuvném okně. Matice modelu mohou být časově proměnné. Příspěvek se zabývá sdruženým odhadem stavu a parametrů. Ukazuje, že částečná znalost matic modelu může snížit nebo i odstranit víceznačnost odhadu.
Trvalý link: http://hdl.handle.net/11104/0163655