Modèle d'îlots de particules et application en fiabilité

par Christelle Vergé

Thèse de doctorat en Mathématiques appliquées

Sous la direction de Pierre Del Moral.

Soutenue en 2015

à Palaiseau, Ecole polytechnique .


  • Résumé

    Les modèles de Feynman-Kac (généralisant les modèles de Markov cachés) sont aujourd'hui très largement utilisés afin de modéliser une grande diversité de séries temporelles dans différents domaines tels que l'aéronautique, l'analyse d'évènements rares, le traitement du signal, les mathématiques financières, la biologie, etc. La complexité croissante de ces modèles a conduit au développement d'approximations via différentes méthodes de Monte-Carlo, dont les méthodes de Monte-Carlo par chaînes de Markov (MCMC) et les méthodes de Monte-Carlo séquentielles (SMC). Les méthodes SMC appliquées au filtrage particulaire sont au centre de cette thèse. Elles consistent à approcher la loi d'intérêt à l'aide d'une population de particules en interaction définies séquentiellement. De nombreux algorithmes ont déjà été développés et étudiés dans la littérature. Nous proposons des techniques de parallélisation des méthodes SMC, en considérant des sous-populations de particules appelées îlots qui peuvent également interagir entre elles. Nous étudions les propriétés de convergence de ces algorithmes d'îlots de particules. En particulier, nous démontrons un théorème central limite (TCL) et la stabilité de la variance des estimateurs induits, grâce à des inégalités de déviation exponentielle et des tableaux triangulaires définis au niveau des îlots. Nous proposons également un nouvel algorithme de type îlots de particules en interaction pour estimer la loi de paramètres aléatoires conditionnellement à la réalisation d'un évènement rare. Nous illustrons sa convergence et nous l'appliquons à deux cas critiques en aérospatiale.

  • Titre traduit

    Island particle models and their application in reliability


  • Résumé

    Feynman-Kac models (which generalize hidden Markov models) are nowadays widely used as they allow to model a large variety of time series in several fields such as aeronautics, rare event analysis, signal processing, finance, biology, and so on. Different approximations based on Monte Carlo principles have been developed as Markov chain Monte Carlo (MCMC) and sequential Monte Carlo (SMC). In this thesis, we focus on SMC methods. They consist in approximating a targeted law through an interacting particle system sequentially defined. Numerous algorithms have been developed and studied in the literature. We propose techniques of parallelization of such SMC methods, considering subpopulations of particles referred to by us as islands which can also interact. We study convergence properties of these island particle algorithms. Especially, we prove a central limit theorem (CLT) and the stability of the variance, thanks to exponential deviation inequality and triangular arrays dened on the island level. We also propose a novel algorithm of interacting island particles to estimate the law of random parameters conditionally to a rare event. We illustrate its convergence and we apply it to two critical cases in aerospace.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (154 p.)
  • Annexes : Bibliographie : 134 réf.

Où se trouve cette thèse ?

  • Bibliothèque : École polytechnique. Bibliothèque Centrale.
  • Non disponible pour le PEB
  • Cote : A1B 112/2015/VER
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.