0041786 20240103182809.920061005235959.9 4 s. cav_un_epca*0076872978-1-4244-0579-41-4CambridgeUniversity of Cambridge2006 bayesian estimation state model restricted support cav_un_auth*0101175 Pavelková Lenka UTIA-B Department of Adaptive Systems Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101124 Kárný Miroslav UTIA-B Department of Adaptive Systems Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101207 Šmídl Václav UTIA-B Department of Adaptive Systems Ústav teorie informace a automatizace AV ČR, v. v. i. 09I 1M0572 GA MŠk cav_un_auth*0001814 1ET100750401 GA AV ČR cav_un_auth*0001792 2C06001 GA MŠk cav_un_auth*0217685 CEZ:AV0Z10750506 Linear state-space model with uniformly distributed innovations is considered. Its state and parameters are estimated under hard physical bounds. Off-line maximum a posteriori probability estimation reduces to linear programming. No approximation is required for sole estimation of either model parameters or states. The noise bounds are estimated in both cases. The algorithm is extended to: (i) on-line mode by estimating within a sliding window, and (ii) joint state and parameter estimation. This approach may be used as a starting point for full Bayesian treatment of distributions with restricted support. Je uvažován lineární stavový model s rovnoměrně rozloženými inovacemi. Stavy a parametry modelu jsou odhadování při uvažování přísných fyzikálních omezení. Maximálně věrohodný off-line odhad je redukován na lineární programování. Pro samostatný odhad buď parametrů anebo stavu není třeba aproximace. Meze šumu jsou odhadovány v obou případech. Algoritmus je dále rozšířen na: (i) on-line režim pomocí odhadu v klouzavém okně a (ii) společný odhad stavu a parametrů. Tento přístup může být použit jako výchozí bod pro Bayesovský přístup k distribucím s omezeným suportem. cav_un_auth*0217684 Nonlinear Statistical Siganl Processing Workshop 2006 Cambridge 13.09.2006-15.09.2006 GB 2010 BC http://hdl.handle.net/11104/0135159 2006 cav_un_epca*0076872 Proceedings of the NSSPW'06 Workshop 978-1-4244-0579-4 1 4 Cambridge University of Cambridge 2006