Bayesian noise model selection and system identification using Chib's approximation based on the Metropolis-Hastings sampler

Résumé : Dans cette communication, le problème de la sélection du modèle de bruit qui corrompt des données mesurées à été étudié. Les données étant obtenues en sortie d'un système d'ordre deux, ce problème est couplé à un problème d'identification. Dans le cadre bayésien, une solution jointe à été proposée. La sélection de modèle repose sur l'évidence dont le calcul est délicat. L'approche utilisée pour calculer l'évidence est fondée sur les méthodes MCMC mais ne repose pas sur l'estimateur de la moyenne harmonique qui est connu pour présenter des problèmes de convergence. Elle met à profit la condition de réversibilité de l'algorithme de Metropolis-Hastings. Les performances de la solution ont été évaluées avec des résultats satisfaisants.
Type de document :
Communication dans un congrès
XXVème Colloque GRETSI, Sep 2015, Lyon, France
Liste complète des métadonnées

Littérature citée [10 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01729077
Contributeur : Andrei-Cristian Barbos <>
Soumis le : lundi 12 mars 2018 - 12:31:43
Dernière modification le : mardi 13 mars 2018 - 01:06:57
Document(s) archivé(s) le : mercredi 13 juin 2018 - 13:41:35

Fichier

cr_barbos336.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01729077, version 1

Citation

Andrei-Cristian Bărbos, Audrey Giremus, Jean-François Giovannelli. Bayesian noise model selection and system identification using Chib's approximation based on the Metropolis-Hastings sampler. XXVème Colloque GRETSI, Sep 2015, Lyon, France. 〈hal-01729077〉

Partager

Métriques

Consultations de la notice

31

Téléchargements de fichiers

12