Estimation bayésienne dans les modèles de Markov partiellement observés
FR |
EN
Auteur / Autrice : | Ivan Gorynin |
Direction : | Wojciech Pieczynski, Emmanuel 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