Les filtres particulaires sont actuellement les outils de filtrage de système non linéaire à temps discret les plus performants. Toutefois la présence de paramètres inconnus dans les équations du système rend leur mise en œuvre délicate et compromet souvent leur convergence. Cette Note montre comment une estimation en ligne convergente de ces paramètres peut être obtenue simultanément à celles des variables d'état à filtrer. Elle repose sur une méthode d'estimation non paramétrique de densités de probabilités conditionnelles par noyau de convolution, à partir de générations successives de particules du système.
Particle filters are presently among the most powerful tools for filtering discrete time non linear systems. However the presence of unknown parameters in the system equations makes their use more complex and can even impair their convergence properties. This Note shows how an on-line consistent estimation of these parameters can be obtained simultaneously to that of the state variables to be filtered. This approach relies upon a kernel-based non parametric estimation of conditional probability densities from successive Monte Carlo generations of system particles.
Accepté le :
Publié le :
@article{CRMATH_2005__340_10_759_0,
author = {Rossi, Vivien and Vila, Jean-Pierre},
title = {Approche non param\'etrique du filtrage de syst\`eme non lin\'eaire \`a temps discret et \`a param\`etres inconnus},
journal = {Comptes Rendus. Math\'ematique},
pages = {759--764},
publisher = {Elsevier},
volume = {340},
number = {10},
year = {2005},
doi = {10.1016/j.crma.2005.04.008},
language = {fr},
url = {http://www.numdam.org/articles/10.1016/j.crma.2005.04.008/}
}
TY - JOUR AU - Rossi, Vivien AU - Vila, Jean-Pierre TI - Approche non paramétrique du filtrage de système non linéaire à temps discret et à paramètres inconnus JO - Comptes Rendus. Mathématique PY - 2005 SP - 759 EP - 764 VL - 340 IS - 10 PB - Elsevier UR - http://www.numdam.org/articles/10.1016/j.crma.2005.04.008/ DO - 10.1016/j.crma.2005.04.008 LA - fr ID - CRMATH_2005__340_10_759_0 ER -
%0 Journal Article %A Rossi, Vivien %A Vila, Jean-Pierre %T Approche non paramétrique du filtrage de système non linéaire à temps discret et à paramètres inconnus %J Comptes Rendus. Mathématique %D 2005 %P 759-764 %V 340 %N 10 %I Elsevier %U http://www.numdam.org/articles/10.1016/j.crma.2005.04.008/ %R 10.1016/j.crma.2005.04.008 %G fr %F CRMATH_2005__340_10_759_0
Rossi, Vivien; Vila, Jean-Pierre. Approche non paramétrique du filtrage de système non linéaire à temps discret et à paramètres inconnus. Comptes Rendus. Mathématique, Tome 340 (2005) no. 10, pp. 759-764. doi : 10.1016/j.crma.2005.04.008. http://www.numdam.org/articles/10.1016/j.crma.2005.04.008/
[1] Théorie de l'estimation fonctionnelle, Economica, Paris, 1987
[2] Feynman–Kac Formulae. Genealogical and Interacting Particle Systems with Applications, Springer-Verlag, New York, 2004
[3] The Monte Carlo method for filtering with discrete-time observations, Probab. Theory Relat. Fields, Volume 120 (2001), pp. 346-368
[4] Branching and interacting particle systems approximations of Feynman–Kac formulae with applications to nonlinear filtering (Azéma, J.; Emery, M.; Ledoux, M.; Yor, M., eds.), Séminaire de Probabilité XXXIV, Lecture Notes in Math., Springer, 2000
[5] A Course in Density Estimation, Birkhäuser, Boston, 1987
[6] Sequential Monte Carlo Methods in Practice, Statistics for Engineering and Information Science, Springer, 2001
[7] Following a moving target-Monte Carlo inference for dynamic Bayesian models, J. Roy. Statist. Soc. Ser. B, Volume 63 (2001) no. 1, pp. 127-146
[8] Monte Carlo filter using the genetic algorithm operators, J. Statist. Comput. Simulation, Volume 59 (1997) no. 1, pp. 1-23
[9] Asymptotic bounds for the expected error of a multivariate Kernel Density Estimator, J. Multivariate Anal., Volume 42 (1992), pp. 245-266
[10] A self-organizing state-space model, J. Amer. Statist. Assoc., Volume 93 (1998) no. 443, pp. 1203-1215
[11] A robustification approach to stability and to uniform particle approximation of nonlinear filters: the example of pseudo-mixing signals, Stochastic Process Appl., Volume 106 (2003) no. 2, pp. 279-316
[12] Combined parameter and state estimation in simulation-based filtering (Doucet, A.; de Freitas, N.; Gordon, N., eds.), Sequential Monte Carlo Methods Practice, Springer-Verlag, New York, 2001, pp. 197-223
[13] V. Rossi, J.-P. Vila, Nonlinear filtering in discrete time: a particle convolution approach, Rapport technique 04-03, groupe biostatisque ENSAM/INRA/UM2 Montpellier, octobre, (2004), sousmis à Stat. Inf. Stoc. Proc
[14] Theory of Statistics, Springer-Verlag, New York, 1995
[15] On Bayes procedures, Z. Wahrscheinlichkeitstheorie, Volume 4 (1965), pp. 10-26
[16] Approximating posterior distribution by mixture, J. Roy. Statist. Soc. Ser. B, Volume 55 (1993), pp. 409-422
Cité par Sources :
