Work

Bayesovské odhadování parametrů stavových modelů při nedostupné věrohodnostní funkci

Year: 2019
Type: dissertation
Abstract: Stavové modely představují široce používaný formalismus pro popis částečně pozoro-vaných náhodných procesů vyskytujících se např. v biologii, ekonometrii a zpracování signálu. Cílem filtrace je odhadnout sekvenci skrytých stavů, o níž předpokládáme, že vygenerovala sekvenci pozorovaných náhodných veličin. Je-li stavový model navíc para-metrizován statickým parametrem, je nutné ho zahrnout v inferenci. Celý proces se tím podstatně zkomplikuje, a filtrační algoritmy typicky nekonvergují. Až na případ lineár-ního Gaussovského stavového modelu není věrohodnostní funkce dostupná, a inference tak není snadná. Bylo ukázáno, že částicový filtr je možné použít jako nestranný odhad věrohodnosti i v nelineárním modelu. Tento odhad ovšem předpokládá, že model pozo-rování je dán jako hustota pravděpodobnosti. V aplikacích je typicky k dispozici simulace pozorovaných veličin ze skrytých stavů, ale ne vyhodnocení jejich pravděpodobností. Po-kusy o modelování pravděpodobnostního rozdělení těchto pozorování pak často vedou ke kolapsu částicového filtru. Inspirováni technikami Approximate Bayesian Compu-tation (ABC) odvodíme filtr schopný odhadnout věrohodnost i v případech, kdy model pozorování není zadán jako hustota pravděpodobnosti. Vyvinutý algoritmus je nejprve otestován v simulační studii. Následně je aplikován na problém z molekulární biologie, ve kterém se pokusíme modelovat zjednodušený autoregulační systém v prokaryotách.
Author: T. Kala
Language: Czech
Open Access status: green
OpenAlex ID: W2958885187
Cites: 32
Cited by:
Related to: 10