Modèles de Markov Triplet et filtrage de Kalman

François Desbouvries; Wojciech Pieczynski

doi:10.1016/S1631-073X(03)00152-3

Statistique/Probabilités

Modèles de Markov Triplet et filtrage de Kalman

Présenté par : Paul Deheuvels

François Desbouvries ¹ ; Wojciech Pieczynski ¹

¹ GET/INT, département communications, image et traitement de l'information, 9, rue Charles Fourier, 91011 Evry, France

Comptes Rendus. Mathématique, Volume 336 (2003) no. 8, pp. 667-670.

Résumé
Abstract

Le filtrage de Kalman permet d'estimer un processus multivarié inobservable $x = {x_{n}}_{n \in ℕ}$ à partir d'un processus multivarié observé $y = {y_{n}}_{n \in ℕ}$ . Cet outil admet de multiples applications, en particulier en traitement du signal. Dans sa formulation classique, il s'appuie sur un modèle stochastique dynamique dans lequel $x$ vérifie une équation d'évolution linéaire et la loi de $y$ conditionnelle à $x$ est donnée par les lois $p (y_{n} | x_{n})$ . Nous proposons dans cette Note deux généralisations successives du modèle classique. La première, qui mène au modèle dit « Couple », consiste à supposer que l'équation d'évolution de $x$ est en fait vérifiée par le couple $(x, y)$ . Nous montrons que le nouveau modèle est strictement plus général que le modèle classique et qu'il peut, néanmoins, servir de support à la mise en place d'un filtrage de type Kalman. La deuxième, qui mène au modèle dit « Triplet », consiste à supposer que l'équation d'état est vérifiée par un triplet $(x, r, y)$ , où $r = {r_{n}}_{n \in ℕ}$ est un processus auxiliaire, éventuellement sans existence physique. Nous montrons que le modèle Triplet est strictement plus général que le modèle Couple, et permet encore la mise en place du filtrage de Kalman.

Kalman filtering enables to estimate a multivariate unobservable process $x = {x_{n}}_{n \in ℕ}$ from an observed multivariate process $y = {y_{n}}_{n \in ℕ}$ . It admits a lot of applications, in particular in signal processing. In its classical framework, it is based on a dynamic stochastic model in which $x$ satisfies a linear evolution equation and the conditional law of $y$ given $x$ is given by the laws $p (y_{n} | x_{n})$ . In this Note, we propose two successive generalizations of the classical model. The first one, which leads to the “Pairwise” model, consists in assuming that the evolution equation of $x$ is indeed satisfied by the pair $(x, y)$ . We show that the new model is strictly more general than the classical one, and yet still enables Kalman-like filtering. The second one, which leads to the “Triplet” model, consists in assuming that the evolution equation of $x$ is satisfied by a triplet $(x, r, y)$ , in which $r = {r_{n}}_{n \in ℕ}$ is an (artificial) auxiliary process. We show that the Triplet model is strictly more general than the Pairwise one, and yet still enables Kalman filtering.

Reçu le : 2002-09-05
Accepté le : 2003-02-25
Publié le : 2003-04-15

DOI : 10.1016/S1631-073X(03)00152-3

Affiliations des auteurs :

François Desbouvries ¹ ; Wojciech Pieczynski ¹

¹ GET/INT, département communications, image et traitement de l'information, 9, rue Charles Fourier, 91011 Evry, France

@article{CRMATH_2003__336_8_667_0,
     author = {Fran\c{c}ois Desbouvries and Wojciech Pieczynski},
     title = {Mod\`eles de {Markov} {Triplet} et filtrage de {Kalman}},
     journal = {Comptes Rendus. Math\'ematique},
     pages = {667--670},
     publisher = {Elsevier},
     volume = {336},
     number = {8},
     year = {2003},
     doi = {10.1016/S1631-073X(03)00152-3},
     language = {fr},
}

TY  - JOUR
AU  - François Desbouvries
AU  - Wojciech Pieczynski
TI  - Modèles de Markov Triplet et filtrage de Kalman
JO  - Comptes Rendus. Mathématique
PY  - 2003
SP  - 667
EP  - 670
VL  - 336
IS  - 8
PB  - Elsevier
DO  - 10.1016/S1631-073X(03)00152-3
LA  - fr
ID  - CRMATH_2003__336_8_667_0
ER  -

%0 Journal Article
%A François Desbouvries
%A Wojciech Pieczynski
%T Modèles de Markov Triplet et filtrage de Kalman
%J Comptes Rendus. Mathématique
%D 2003
%P 667-670
%V 336
%N 8
%I Elsevier
%R 10.1016/S1631-073X(03)00152-3
%G fr
%F CRMATH_2003__336_8_667_0

François Desbouvries; Wojciech Pieczynski. Modèles de Markov Triplet et filtrage de Kalman. Comptes Rendus. Mathématique, Volume 336 (2003) no. 8, pp. 667-670. doi : 10.1016/S1631-073X(03)00152-3. https://comptes-rendus.academie-sciences.fr/mathematique/articles/10.1016/S1631-073X(03)00152-3/

Bibliographie
Cité par

[1] B.D.O. Anderson; J.B. Moore Optimal Filtering, Prentice-Hall, Englewood Cliffs, NJ, 1979

[2] M.S. Arulampalam; S. Maskell; N. Gordon; T. Clapp A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking, IEEE Trans. Signal Processing, Volume 50 (2002) no. 2, pp. 174-188

[3] T. Chonavel Traitement du signal aléatoire, Collection Technique et Scientifique des Télécommunications, Springer, Paris, 2000

[4] Sequential Monte Carlo Methods in Practice (A. Doucet; N. de Freitas; N. Gordon, eds.), Statistics for Engineering and Information Science, Springer-Verlag, New York, 2001

[5] A.C. Harvey Forecasting, Structural Time Series Models and the Kalman Filter, Cambridge University Press, 1989

[6] R.E. Kalman A new approach to linear filtering and prediction problems, Trans. ASME J. Basic Eng. Ser. D, Volume 82 (1960) no. 1, pp. 35-45

[7] R.S. Lipster; A.N. Shiryaev Statistics of Random Processes, Vol. 2: Applications, Springer-Verlag, 2001

[8] W. Pieczynski; D. Benboudjema; P. Lanchantin Statistical image segmentation using Triplet Markov fields, SPIE International Symposium on Remote Sensing, Crete, Grece, September 22–27, 2002

[9] W. Pieczynski; A.N. Tebbache Pairwise Markov random fields and segmentation of textured images, Machine Graphics and Vision, Volume 9 (2000) no. 3, pp. 705-718

[10] W. Pieczynski Arbres de Markov Couple, C. R. Acad. Sci. Paris, Ser. I, Volume 335 (2002), pp. 79-82

[11] W. Pieczynski Chaînes de Markov Triplet, C. R. Acad. Sci. Paris, Ser. I, Volume 335 (2002), pp. 275-278

[12] W. Pieczynski, Pairwise Markov chains, IEEE Trans. Pattern Analysis and Machine Intelligence, 2002, accepted

[13] J.J.K.O. Ruanaidh; W.J. Fitzgerald Numerical Bayesian Methods Applied to Signal Processing, Statistics in Computing, Springer-Verlag, New York, 1996

Frederic Lehmann; Wojciech Pieczynski Reduced-Dimension Filtering in Triplet Markov Models, IEEE Transactions on Automatic Control, Volume 67 (2022) no. 2, p. 605 | DOI:10.1109/tac.2021.3050721
Maria V. Kulikova; J. V. Tsyganova; G. Yu. Kulikov SVD-based state and parameter estimation approach for generalized Kalman filtering with application to GARCH-in-Mean estimation, Journal of Computational and Applied Mathematics, Volume 387 (2021), p. 13 (Id/No 112487) | DOI:10.1016/j.cam.2019.112487 | Zbl:1458.93250
Valérian Némesin; Stéphane Derrode Quality-driven and real-time iris recognition from close-up eye videos, Signal, Image and Video Processing, Volume 10 (2016) no. 1, p. 153 | DOI:10.1007/s11760-014-0720-x
Noura Dridi; Yves Delignon; Wadih Sawaya; Christelle Garnier Double Markov Process blind estimation: Application to communication in a long memory channel, Digital Signal Processing, Volume 29 (2014), p. 117 | DOI:10.1016/j.dsp.2014.02.016
Wojciech Pieczynski Triplet Markov Chains and Image Segmentation, Inverse Problems in Vision and 3D Tomography (2013), p. 123 | DOI:10.1002/9781118603864.ch4
Shun-Zheng Yu Hidden semi-Markov models, Artificial Intelligence, Volume 174 (2010) no. 2, pp. 215-243 | DOI:10.1016/j.artint.2009.11.011 | Zbl:1344.68181
Wojciech Pieczynski Multisensor triplet Markov chains and theory of evidence, International Journal of Approximate Reasoning, Volume 45 (2007) no. 1, pp. 1-16 | DOI:10.1016/j.ijar.2006.05.001 | Zbl:1128.68101
B. Ait-El-Fquih; F. Desbouvries Kalman Filtering in Triplet Markov Chains, IEEE Transactions on Signal Processing, Volume 54 (2006) no. 8, p. 2957 | DOI:10.1109/tsp.2006.877651

Cité par 8 documents. Sources : Crossref, zbMATH

Commentaires - Politique

Il n'y a aucun commentaire pour cet article. Soyez le premier à écrire un commentaire !

Publier un nouveau commentaire:

Publier une nouvelle réponse: