Bayesian state estimation in partially observable Markov processes / Ivan Gorynin ; sous la direction de Wojciech Pieczynski et de Emmanuel Monfrini

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Markov, Processus de

Processus stochastiques

Statistique bayésienne

Systèmes non linéaires

Traitement du signal

Pieczynski, Wojciech (1955-....) (Directeur de thèse / thesis advisor)

Monfrini, Emmanuel (1972-....) (Directeur de thèse / thesis advisor)

Gobet, Emmanuel (Président du jury de soutenance / praeses)

Vanheeghe, Philippe (19..-...) (Rapporteur de la thèse / thesis reporter)

Andrieu, Christophe (19..-.... ; statisticien) (Rapporteur de la thèse / thesis reporter)

Blanchet-Scalliet, Christophette (Membre du jury / opponent)

Olteanu, Madalina (1978-....) (Membre du jury / opponent)

Université Paris-Saclay (2015-2019) (Organisme de soutenance / degree-grantor)

École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....) (Ecole doctorale associée à la thèse / doctoral school)

Télécom SudParis (France) (Laboratoire associé à la thèse / thesis associated laboratory)

Institut national des télécommunications (Evry ; 1979-2009) (Autre partenaire associé à la thèse / thesis associated third party)

Résumé / Abstract : 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

Résumé / Abstract : This thesis addresses the Bayesian estimation of hybrid-valued state variables in time series. The probability density function of a hybrid-valued random variable has a finite-discrete component and a continuous component. Diverse general algorithms for state estimation in partially observable Markov processesare introduced. These algorithms are compared with the sequential Monte-Carlo methods from a theoretical and a practical viewpoint. The main result is that the proposed methods require less processing time compared to the classic Monte-Carlo methods