liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A Semiparametric Bayesian Approach to Wiener System Identification
Linköpings universitet, Institutionen för systemteknik, Reglerteknik. Linköpings universitet, Tekniska högskolan.
Linköpings universitet, Institutionen för systemteknik, Reglerteknik. Linköpings universitet, Tekniska högskolan.
University of California, Berkeley, USA.
2012 (Engelska)Ingår i: Proceedings of the 16th IFAC Symposium on System Identification, 2012, s. 1137-1142Konferensbidrag, Enbart muntlig presentation (Refereegranskat)
Abstract [en]

We consider a semiparametric, i.e. a mixed parametric/nonparametric, model of a Wiener system. We use a state-space model for the linear dynamical system and a nonparametric Gaussian process (GP) model for the static nonlinearity. The GP model is a flexible model that can describe different types of nonlinearities while avoiding making strong assumptions such as monotonicity. We derive an inferential method based on recent advances in Monte Carlo statistical methods, known as Particle Markov Chain Monte Carlo (PMCMC). The idea underlying PMCMC is to use a particle filter (PF) to generate a sample state trajectory in a Markov chain Monte Carlo sampler. We use a recently proposed PMCMC sampler, denoted particle Gibbs with backward simulation, which has been shown to be efficient even when we use very few particles in the PF. The resulting method is used in a simulation study to identify two different Wiener systems with non-invertible nonlinearities.

Ort, förlag, år, upplaga, sidor
2012. s. 1137-1142
Nyckelord [en]
Wiener system identification, Particle Markov chain Monte Carlo, Gibbs sampling, Bayesian methods, Gaussian processes
Nationell ämneskategori
Reglerteknik
Identifikatorer
URN: urn:nbn:se:liu:diva-81267DOI: 10.3182/20120711-3-BE-2027.00274ISBN: 978-3-902823-06-9 (tryckt)OAI: oai:DiVA.org:liu-81267DiVA, id: diva2:551263
Konferens
16th IFAC Symposium on System Identification, Brussels, Belgium, July 11-13, 2012
Projekt
CADICSCNDM
Forskningsfinansiär
VetenskapsrådetTillgänglig från: 2012-09-10 Skapad: 2012-09-10 Senast uppdaterad: 2013-09-23

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextRelated report

Personposter BETA

Lindsten, FredrikSchön, Thomas B.

Sök vidare i DiVA

Av författaren/redaktören
Lindsten, FredrikSchön, Thomas B.
Av organisationen
ReglerteknikTekniska högskolan
Reglerteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 429 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf