Analyse canonique généralisée de données séquentielles d'espérance fixe ou variable dans le temps
Résumé
High dimensional data of a generalized canonical correlation analysis (gCCA) are supposed first to be i.i.d. observations of a random vector Z which are taken sequentially. After defining a stochastic approximation process of the Robbins-Monro type to estimate sequentially the inverse of a covariance matrix, a recursive method of sequential estimation of direction vectors of the principal axes of gCCA is defined. Next, the case where the expectation of the nth observation varies with time n is studied. Finally, simulation results are given.
On suppose que des vecteurs de données pouvant être de grande dimension et arrivant séquentiellement dans le temps sont des observations i.i.d. d'un vecteur aléatoire. Après avoir défini un processus d'approximation stochastique de type Robbins-Monro de l'inverse d'une matrice de covariance, on définit une méthode récursive d'estimation séquentielle de vecteurs directeurs des r premiers axes principaux de l'analyse canonique généralisée de ce vecteur aléatoire. On 'etudie ensuite le cas où l'espérance des observations varie dans le temps. On donne finalement des résultats de simulation.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...