Bayesian Inference for Dynamic Models with Dirichlet Process Mixtures

Francois Caron 1 Manuel Davy 2, 3 Arnaud Doucet 4 Emmanuel Duflos 3 Philippe Vanheeghe 3
2 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
3 LAGIS-SI
LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
Abstract : Using Kalman techniques, it is possible to perform optimal estimation in linear Gaussian state-space models. We address here the case where the noise probability density functions are of unknown functional form. A flexible Bayesian nonparametric noise model based on mixture of Dirichlet processes is introduced. Efficient Markov chain Monte Carlo and Sequential Monte Carlo methods are then developed to perform optimal estimation in such contexts.
Type de document :
Communication dans un congrès
9th IEEE International Conference on Information Fusion, 2006, Florence, Italy. 2006
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00119993
Contributeur : Manuel Loth <>
Soumis le : mardi 12 décembre 2006 - 16:26:12
Dernière modification le : jeudi 11 janvier 2018 - 06:26:40
Document(s) archivé(s) le : jeudi 20 septembre 2012 - 15:51:16

Fichier

Caron_Fusion_2006.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : inria-00119993, version 1

Collections

Citation

Francois Caron, Manuel Davy, Arnaud Doucet, Emmanuel Duflos, Philippe Vanheeghe. Bayesian Inference for Dynamic Models with Dirichlet Process Mixtures. 9th IEEE International Conference on Information Fusion, 2006, Florence, Italy. 2006. 〈inria-00119993〉

Partager

Métriques

Consultations de la notice

303

Téléchargements de fichiers

319