bibtype	J - Journal Article
ARLID	0084256
utime	20240111140648.6
mtime	20070803235959.9
title (primary) (eng)	Projection-based Bayesian recursive estimation of ARX model with uniform innovations
specification	page_count 10 s.
serial	ARLID cav_un_epca*0257642 ISSN 0167-6911 title Systems and Control Letters volume_id 56 page_num 646-655 publisher name Elsevier
title (cze)	Bayesovské rekurzivní odhadování ARX modelu s rovnoměrně rozloženými inovacemi založené na projekci
keyword	ARX model
keyword	Bayesian recursive estimation
keyword	Uniform distribution
author (primary)	ARLID cav_un_auth*0101124 name1 Kárný name2 Miroslav institution UTIA-B full_dept Department of Adaptive Systems fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101175 name1 Pavelková name2 Lenka institution UTIA-B full_dept Department of Adaptive Systems fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
source	source_type textový dokument url http://dx.doi.org/10.1016/j.sysconle.2007.03.005
cas_special	project project_id 1ET100750401 agency GA AV ČR ARLID cav_un_auth*0001792 project project_id 2C06001 agency GA MŠk ARLID cav_un_auth*0217685 project project_id 1F43A/003/120 agency GA MDS ARLID cav_un_auth*0001975 research CEZ:AV0Z10750506 abstract (eng) Autoregressive model with exogenous inputs (ARX) is a widely-used black-box type model underlying adaptive predictors and controllers. Its innovations, stochastic unobserved stimulus of the model, are white, zero mean with time-invariant variance. Mostly, the innovations are assumed to be normal. It induces least squares as the adequate estimation procedure. Light tails of the normal distribution imply that its unbounded support can often be accepted as a reasonable approximate description of physical quantities, which are mostly bounded. In some case, however, this approximation is too crude or does not fit subsequent processing, for instance, robust control design. Then, techniques similar to those dealing with unknown-but-bounded equation errors are used. They intentionally give up stochastic interpretation of innovations and develop various algorithms of a min-max type. abstract (cze) Autoregresní model s vnějším vstupem (ARX) je často používaným typem modelu. Jeho inovace, stochastické, nepozorovatelné poruchy modelu, mají nulovou střední hodnotu a časově konstantní varianci. Většinou předpokládáme, že inovace mají normální rozložení a parametry modelu se odhadují pomocí metody nejmenších čtverců. V některých případech (např. při robustním řízení) vznikají problémy kvůli neomezenému supportu normálního rozložení. Zde pak nastupují algoritmy typu "min-max", které nepoužívají stochastický přístup. Tento článek spojuje oba přístupy (omezenost chyb a pravděpodobnostní přístup) tím, že inovace popisujeme pomocí rovnoměrného rozložení. V článku je nejprve popsána aposteriorní hustota pravděpodobnosti (pdf), a poté aproximována pomocí pdf s konečně-rozměrnou statistikou. Díky tomu může odhadování probíhat v reálném čase. reportyear 2008 RIV BC permalink http://hdl.handle.net/11104/0147215 mrcbT16-f 1.865 mrcbT16-g 0.2 mrcbT16-h 8.4 mrcbT16-i 0.01461 mrcbT16-j 1.118 mrcbT16-k 3376 mrcbT16-l 95 mrcbT16-q 78 mrcbT16-s 3.721 mrcbT16-y 19.46 mrcbT16-x 2.04 arlyear 2007 mrcbU56 textový dokument mrcbU63 cav_un_epca*0257642 Systems and Control Letters 0167-6911 1872-7956 Roč. 56 9/10 2007 646 655 Elsevier