Filtrage Statistique Optimal Rapide dans des Systèmes Linéaires à Sauts Non Stationnaires

Filtrage Statistique Optimal Rapide dans des Systèmes Linéaires à Sauts Non Stationnaires

Noufel Abbassi Stéphane Derrode  François Desbouvries  Yohan Petetin  Wojciech Pieczynski 

Telecom Sudparis, Département CITI, CNRS UMR 5157 9, rue Charles Fourier, 91000 Evry, France

Ecole Centrale de Lyon, CNRS, LIRIS, UMR 5205 26 av. Guy de Collongue, 69130 Ecully, France

Page: 
339-361
|
DOI: 
https://doi.org/10.3166/TS.31.339-361
Received: 
N/A
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

This paper deals with optimal statistical filtering in jump systems. We consider three random sequences: a hidden real-valued process X, an observed real-valued process Y and a hidden discrete process R modeling jumps that can be interpreted as random switches in the parameters governing locally the Markovian distributions of the pairwise process (X,Y). We focus on a recent family of models in which it is possible to implement a fast optimal filtering, whose complexity is linear in time. We extend this family by introducing a fourth hidden discrete process U to model possible non-stationarity in triplet (X, R, Y). We show that fast optimal filtering remains possible in the extended family and illustrate their interest via some simulations. 

RÉSUMÉ

Nous traitons du problème de filtrage statistique optimal dans des systèmes à sauts. Nous considérons trois processus : un processus continu caché X, un processus continu observé Y, et un processus discret caché R modélisant les « sauts », qui peuvent être vus comme les changements aléatoires des paramètres régissant localement les distributions markoviennes du couple (X,Y). Nous nous intéressons à une famille récente de modèles dans laquelle il est possible de mettre en place un filtrage optimal rapide, dont la complexité est linéaire en temps. Nous étendons cette famille en introduisant un quatrième processus discret fini U permettant de modéliser les possibles non-stationnarités du triplet (X, R, Y). Nous montrons que les filtrages optimaux rapides demeurent possibles dans la famille étendue et nous illustrons leur intérêt via quelques simulations. 

Keywords: 

 Jump linear Gaussian system. Optimal and exact filtering. Conditionally Markov switching hidden linear model. Conditionally switching hidden linear model with marginally Markov jumps.

MOTS-CLÉS

système linéaire gaussien à sauts. Filtrage optimal exact. Modèle caché conditionnellement linéaire à sauts markoviens. Modèle caché conditionnellement linéaire à sauts marginalement markoviens. 

1. Introduction
2. Généralisation du Modèle CGLSSM
3. Filtrage Rapide Exact dans un Cas Particulier de CGPMM
4. Filtrage rapide Exact dans les « Modèles Cachés Conditionnellement Linéaires à Sauts Marginalement Markoviens » (MCCLSMM)
5. Expérimentations
6. Conclusions et Perspectives
  References

Abbassi N., Benboudjema D., and Pieczynski W. (2011). Kalman filtering approximations in triplet Markov Gaussian switching models, IEEE Workshop on Statistical Signal Processing (SSP2011), Nice, France, 28-30 June. 

Abbassi N. (2012). Chaînes de Markov triplets et filtrage optimal dans les systèmes à sauts. Thèse de doctorat de Telecom SudParis et de l’Université Pierre et Marie Curie (Paris 6), soutenue le 26 avril 2012. 

Al-Anaswah N. and Wilfling B. (2011). Identification of speculative bubbles using statespace models with Markov-switching, Journal of Banking and Finances, vol. 35, n°5, p. 1073-1086.

Andrieu C., Davy C. M., and Doucet A. (2003). Efficient particle filtering for jump Markov systems. Application to time-varying autoregressions, IEEE Trans. on Signal Processing, vol. 51, n°7, p. 1762-1770. 

Arulampalam M. S., Maskell S., Gordon N. and Clapp T. (2003). A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking, IEEE Trans. on Signal Processing, vol. 50, n°2, p. 174-188. 

Bardel N. and Desbouvries F. (2012). Exact Bayesian prediction in a class of Markovswitching models, Methodology and Computing in Applied probability, vol. 14, n°1, p. 125-134. 

Boudaren M. Y., Monfrini E., and Pieczynski W. (2012a). Unsupervised segmentation of random discrete data hidden with switching noise distributions, IEEE Signal Processing Letters, vol. 19, n° 10, p. 619-622. 

Boudaren M. Y., Pieczynski W., Monfrini E., and Aissani A. (2012b). Dempster-Shafer fusion of multisensor signals in nonstationary Markovian context, EURASIP Journal on Advances in Signal Processing, n°134. 

Cappé O., Moulines E., and Ryden T. (2005). Inference in hidden Markov models, Springer. Carter C. and Kohn R. (1996). Markov chain Monte Carlo in conditionally Gaussian state space models, Biometrika, vol. 83, n°3, p. 589-601. 

Carvalho C. M. and Lopez H. F. (2007). Simulation-based sequential analysis of Markov switching stochastic volatility models, Computational Statistics & Data Analysis, vol. 51, n°9, p. 4526-4542. 

Costa O. L. V., Fragoso M. D., and Marques R. P. (2005). Discrete time Markov jump linear systems, New York, Springer-Verlag. 

Doucet A., Gordon N. J., and Krishnamurthy V. (2001). Particle filters for state estimation of jump Markov linear systems, IEEE Trans. on Signal Processing, vol. 49, p. 613-624. 

Derrode S. and Pieczynski W. (2013). Exact fast computation of optimal filter in Gaussian switching linear systems, IEEE Signal Processing Letters, vol. 20, n°7, p. 701-704. 

Elliot R. J. and Miao H. (2006). Stochastic volatility model with filtering, Stochastic Analysis and Applications, vol. 24, n°3, p. 661-683. 

Fox E. Sudderth E. B. Jordan M. I. and Willsky A. S. (2011). Bayesian nonparametric inference of switching dynamic linear models, IEEE Trans. on Signal Processing, vol. 59, n°4, p. 1569-1585. 

Giordani P., Kohn R. and van Dijk D. (2007). A unified approach to nonlinearity, structural change, and outliers, Journal of Econometrics, vol. 137, p. 112-133. 

Johnson L. D. and Sakoulis G. (2008). Maximizing equity market sector predictability in a Bayesian time-varying parameter model, Computational Statistics & Data Analysis, vol. 52, n°6, p. 3083-3106.

Kim C.-J. and Nelson C. R. (1999). State-space models with regime switching, Cambridge, MA: MIT Press. 

Lanchantin P., Lapuyade-Lahorgue J. and Pieczynski W. (2008). Unsupervised segmentation of triplet Markov chains hidden with long-memory noise, Signal Processing, vol. 88, n° 5, p. 1134-1151.

Lanchantin P., Lapuyade-Lahorgue J. and Pieczynski W. (2011). Unsupervised segmentation of randomly switching data hidden with non-Gaussian correlated noise. Signal Processing, vol. 91, n°2, p. 163-175. 

Lapuyade-Lahorgue J. and Pieczynski W. (2012). Unsupervised segmentation of hidden semiMarkov non stationary chains, Signal Processing, vol. 92, n°1, p. 29-42. 

Le Cam S. (2013). Identification de distributions dans des series temporelles multivariées présentant des correlation à délais. Actes du 24e colloque Gretsi, Brest, France, 3-6 septembre 2013. 

Lee K. Y. and Rheem J. (2000). Smoothing approach using forward-backward Kalman filter with Markov switching parameters for speech enhancement, Signal Processing, vol. 80, n°12, p. 2579-2588.

Petetin Y. and Desbouvries F. (2013). Un nouvel algorithme de filtrage dans les modèles de Markov à saut linéaires et Gaussiens. Actes du 24e colloque Gretsi, Brest, France, 3-6 septembre 2013.

Petetin Y. (2013). Algorithmes de restauration Bayésienne mono- et multi- objet(s) dans des modèles Markoviens. Thèse de doctorat de Telecom SudParis et de l’Université Pierre et Marie Curie (Paris 6), soutenue le 27 novembre 2013.