HAL : hal-00727526, version 2

arXiv : 1209.0633

Fiche détaillée

Récupérer au format BibTeX - EndNote - TEI - RefWorks -

Versions disponibles :

v1 (04-09-2012)

v2 (10-09-2012)

Nonparametric estimation in hidden Markov models

Thierry Dumont 1, Sylvain Le Corff 2

(04/09/2012)

This paper outlines a new procedure to perform nonparametric estimation in hidden Markov models. It is assumed that a Markov chain (Xk) is observed only through a process (Yk), where Yk is a noisy observation of f(Xk). We propose a maximum likelihood based procedure to estimate the function f using a block of observations. This paper shows the identifiability of the model under several assumptions on the Markov chain and on the function f. We also provide a proof of the consistency of the estimator of f as the number of observations grows to infinity. This consistency result relies on the Hellinger consistency of an estimator of the likelihood of the observations. Finally, we provide numerical experiments to highlight the performance of the estimator.

1 :	Département de Mathématiques-Université de Paris XI
	Université Paris XI - Paris Sud
2 :	Laboratoire Traitement et Communication de l'Information [Paris] (LTCI)
	Télécom ParisTech – CNRS : UMR5141

Domaine

:

Mathématiques/Statistiques Statistiques/Théorie

Mots Clés : Hidden Markov Models – Nonparametric Estimation – Maximum Likelihood

hal-00727526, version 2

http://hal.archives-ouvertes.fr/hal-00727526

oai:hal.archives-ouvertes.fr:hal-00727526

Contributeur : Sylvain Le Corff <>

Soumis le : Lundi 10 Septembre 2012, 13:45:58

Dernière modification le : Lundi 10 Septembre 2012, 16:24:40