Přejít k obsahu


Particle Based Probability Density Fusion with Differential Shannon Entropy Criterion

Citace: AJGL, J., ŠIMANDL, M. Particle Based Probability Density Fusion with Differential Shannon Entropy Criterion. In Proceeding of the 14th International Conference on Information Fusion. Piscataway: IEEE, 2011. s. 803-810. ISBN: 978-1-4577-0267-9
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Particle Based Probability Density Fusion with Differential Shannon Entropy Criterion
Rok vydání: 2011
Místo konání: Piscataway
Název zdroje: IEEE
Autoři: Ing. Jiří Ajgl , Prof. Ing. Miroslav Šimandl CSc.
Abstrakt CZ: Článek se zaměřuje na úlohu decentralizovaného nelineárního odhadování v síti s více senzory. Důraz je kladen na optimální fúzi hustot pravděpodobnosti podmíněných různými daty. Předpokládá se, že hustota pravděpodobnosti podmíněná společnými daty je nedostupná. Optimální fúze je vypracována v rámci částicové filtrace a chápána podle diferenciální Shannonovy entropie. Přechod od vážených bodů ke spojité hustotě pravděpodobnosti je proveden implicitně pomocí časového kroku. Dále je zkoumána otázka návrhu vzorkovací hustoty. Navržený přístup je ilustrován na numerických příkladech.
Abstrakt EN: This paper focuses on a decentralised nonlinear estimation problem in a multiple sensor network. The stress is laid on the optimal fusion of probability densities conditioned by different data. The probability density conditioned by the common data is supposed to be unavailable. The optimal fusion is elaborated in the particle ?ltering and differential Shannon entropy framework. The conversion of weighted particles into a continuous probability density function is performed implicitly by the time update. Further, the issue of sampling density proposal is explored. The proposed approach is illustrated in numerical examples.
Klíčová slova

Zpět

Patička