Skip to Main content Skip to Navigation
Conference papers

Ségmentation bayésienne hiérarchique de processus MA constant par morceaux

Résumé : On utilise dans ce travail une méthode bayésienne pour traiter une problème de segmentation de processus MA par morceaux. La complexité des lois a posteriori ainsi que la structure particulière de l'espace des paramètres amène a utiliser la méthode de simulation de type Monte Carlo par Chaînes de Markov à sauts réversibles. Les sorties de l'agorithme sont utilisées pour obtenir plusieurs types d'estimateur des paramètres d'intéret : Maximum Marginal a Posteriori, et Moyenne Marginale a Posteriori. La délicat problème du réglage des hyperparamètres est contourné en munissant des hyperparamètres de loi, utilisant ainsi une structure bayèsienne hièrarchique. Mots-Cles : Simulation de Monte Carlo par Chaine de Markov a Sauts Reversibles, Segmentation de processus MA.
Complete list of metadata

https://hal.inria.fr/inria-00494694
Contributor : Conférence Sfds-Hal Connect in order to contact the contributor
Submitted on : Thursday, June 24, 2010 - 8:53:29 AM
Last modification on : Thursday, June 24, 2010 - 8:53:29 AM
Long-term archiving on: : Monday, September 27, 2010 - 11:22:12 AM

File

p34.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : inria-00494694, version 1

Collections

Citation

S. Suparman. Ségmentation bayésienne hiérarchique de processus MA constant par morceaux. 42èmes Journées de Statistique, 2010, Marseille, France, France. ⟨inria-00494694⟩

Share

Metrics

Record views

38

Files downloads

60