| Title: | Reconstruction of Cross-Correlations with Constant Number of Deterministic Samples |
| Other Titles: | Rekonstrukce vzájemných korelací s konstantním počtem deterministických vzorků |
| Authors: | Radtke, Susanne Noack, Benjamin Hanebeck, Uve D. Straka, Ondřej |
| Citation: | RADTKE, S., NOACK, B., HANEBECK, U.D., STRAKA, O. Reconstruction of Cross-Correlations with Constant Number of Deterministic Samples. In: Proceedings of the 2018 21st International Conference on Information Fusion (FUSION). neuveden: IEEE, 2018. s. 1638-1645. ISBN 978-0-9964527-6-2. |
| Issue Date: | 2018 |
| Publisher: | IEEE |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85054081461 http://hdl.handle.net/11025/33842 |
| ISBN: | 978-0-9964527-6-2 |
| Keywords: | Odhad stavu;fúze informací;distribuované odhadování;korelace |
| Keywords in different language: | State estimation;information fusion;distributed estimation;correlation |
| Abstract: | Optimální fúze odhadů vypočítaných distribuovaným způsobem je náročný problém. Obecně nemohou uzly se senzory udržovat informaci o vzájemných korelacích, aby zajistily optimální fúzi odhadů. V tomto článku je prezentována nová technika, která poskytuje prostředky k rekonstrukci požadované struktury korelací. Pro tento účel počítá každý uzel sadu deterministických vzorků, které poskytují úplnou informaci k sestavení matice vzájemných korelací pro každý pár odhadů. S tím, jak se počet vzorků s časem zvyšuje, je nutno navrhnout metodu, která redukuje počet vzorků. Tato metoda významně omezuje nároky na komunikaci, avšak za cenu zavedení aproximační chyby díky zanedbání minulých korelačních členů. k tomu, aby tato aproximační chyba byla minimální, je určen vhodný počet vzorků, který poskytuje kompromis mezi nároky na komunikaci a chybou odhadu. |
| Abstract in different language: | Optimal fusion of estimates that are computed in a distributed fashion is a challenging task. In general, the sensor nodes cannot keep track of the cross-correlations required to fuse estimates optimally. In this paper, a novel technique is presented that provides the means to reconstruct the required correlation structure. For this purpose, each node computes a set of deterministic samples that provides all the information required to reassemble the cross-covariance matrix for each pair of estimates. As the number of samples is increasing over time, a method to reduce the size of the sample set is presented and studied. In doing so, communication expenses can be reduced significantly, but approximation errors are possibly introduced by neglecting past correlation terms. In order to keep approximation errors at a minimum, an appropriate set size can be determined and a trade-off between communication expenses and estimation quality can be found. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE |
| Appears in Collections: | Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| clanek_FUSION18_RNHS.pdf | 200,71 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/33842Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.