0411452 20240103182328.720060210235959.9 13 s. cav_un_epca*02567271053-587X539 (2005)3530-3542 AR model Bayesian identification Variational Bayes cav_un_auth*0101207 Šmídl Václav UTIA-B Department of Adaptive Systems Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0021112 Quinn A. IE 09I 09J IBS1075102 GA AV ČR cav_un_auth*0014060 GA102/03/0049 GA ČR cav_un_auth*0001805 1M0572 GA MŠk cav_un_auth*0001814 CEZ:AV0Z10750506 An extension of the AutoRegressive (AR) model is studied, which allows transformations and distortions on the regressor to be handled. It is shown that Bayesian identification and prediction of EAR model does, however, require that the transformation be known. When it is unknown, the associated transformation space is represented by a finite set of candidates. An approximate identification algorithm for MEAR is developed, and applied to identification of signal in burst noise and speech reconstruction. Základní autoregresní (AR) model je rozšířen o možnost transformace regresoru, která umožní modelování různých zkreslení AR modelu. Pokud je tato transformační funkce známa je odhad rozšířeného modelu stejný jako odhad AR modelu. V tomto příspěvku se zabýváme reprezentací neznámé transformační funkce pomocí konečné množiny konkrétních funkcí. Je zde prezentován aproximativní algoritmus odhadu takovéhoto směsového modelu a jeho aplikace pro rekonstrukci zašuměného signálu. BC 2006 AS http://hdl.handle.net/11104/0131533 UTIA-B 20050182 2005 cav_un_epca*0256727 IEEE Transactions on Signal Processing 1053-587X 1941-0476 Roč. 53 č. 9 2005 3530 3542