State Space Models with Dynamical and Sparse Variances, and Inference by EM Message Passing

Sparse Bayesian learning (SBL) is a probabilistic approach to estimation problems based on representing sparsity-promoting priors by Normals with Unknown Variances. This representation blends well with linear Gaussian state space models (SSMs). However, in classical SBL the unknown variances are a p...

Celý popis

Podrobná bibliografie

Vydáno v:	2019 27th European Signal Processing Conference (EUSIPCO) s. 1 - 5
Hlavní autoři:	Wadehn, Federico, Weber, Thilo, Loeliger, Hans-Andrea
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	EURASIP 01.09.2019
Témata:	Biological system modeling Estimation Expectation maximization factor graphs hierarchical state space models Inference algorithms Kalman filters Message passing Signal processing algorithms sparse Bayesian learning
ISSN:	2076-1465
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!