Thèse soutenue

Estimation bayésienne dans les modèles de Markov partiellement observés

FR  |  
EN
Auteur / Autrice : Ivan Gorynin
Direction : Wojciech PieczynskiEmmanuel Monfrini
Type : Thèse de doctorat
Discipline(s) : Mathématiques appliquées
Date : Soutenance le 13/12/2017
Etablissement(s) : Université Paris-Saclay (ComUE)
Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Télécom SudParis (Evry ; 2012-....) - Département Informatique / INF
établissement opérateur d'inscription : Institut national des télécommunications (Evry ; 1979-2009)
Jury : Président / Présidente : Emmanuel Gobet
Examinateurs / Examinatrices : Wojciech Pieczynski, Emmanuel Monfrini, Philippe Vanheeghe, Christophe Andrieu, Christophette Blanchet-Scalliet, Madalina Olteanu
Rapporteurs / Rapporteuses : Philippe Vanheeghe, Christophe Andrieu

Résumé

FR  |  
EN

Cette thèse porte sur l'estimation bayésienne d'état dans les séries temporelles modélisées à l'aide des variables latentes hybrides, c'est-à-dire dont la densité admet une composante discrète-finie et une composante continue. Des algorithmes généraux d'estimation des variables d'états dans les modèles de Markov partiellement observés à états hybrides sont proposés et comparés avec les méthodes de Monte-Carlo séquentielles sur un plan théorique et appliqué. Le résultat principal est que ces algorithmes permettent de réduire significativement le coût de calcul par rapport aux méthodes de Monte-Carlo séquentielles classiques