Resumen

La estimación del estado de un sistema estocástico dinámico complejo se describe mediante un modelo de espacio de estados en tiempo discreto con grandes incertidumbres en los parámetros (incluidas las matrices de covarianza de los ruidos del sistema y de las mediciones). Se presenta un nuevo esquema de estimación adaptativa de múltiples modelos ponderados, en el cual el algoritmo de ponderación clásico es reemplazado por un nuevo algoritmo de ponderación para reducir la carga de cálculo y relajar las condiciones de convergencia. Finalmente, los resultados de simulación verificaron la efectividad del esquema de MMAE propuesto para cada posibilidad de incertidumbres en los parámetros.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Estimación de estado; Sistema estocástico dinámico; Modelo de espacio de estados en tiempo discreto; Incertidumbres de parámetros; Estimación adaptativa de múltiples modelos ponderados; Resultados de simulación
• Keywords:State estimation; Dynamic stochastic system; Discrete-time state-space model; Parameter uncertainties; Weighted multiple-model adaptive estimation; Simulation results