De nombreux problèmes dans différents domaines scientifiques peuvent être décrits par des modèles statistiques qui relient les données observées à certains états inobservables. L’estimation de ces paramètres cachés est indispensable pour effectuer différentes tâches de traitement, d’analyse ou de prédiction de quantités d’intérêt. Dans le cadre Bayésien, l’inférence statistique est réalisée grâce à la distribution a posteriori de ces paramètres. Malheureusement, dans la plupart des modèles, la solution analytique ne peut être obtenue et doit donc être approchée. Les algorithmes de Monte Carlo sont remarquablement flexibles et extrêmement puissants pour résoudre de tels problèmes d'inférence. Néanmoins, dans les systèmes complexes non-linéaires et/ou de grande dimension, les techniques Monte-Carlo standard ne permettent souvent pas d’obtenir des résultats satisfaisants. Ce manuscrit vise à présenter mes activités de recherche sur le développement de nouvelles stratégies séquentielles de Monte Carlo pour l'inférence Bayésienne dans des systèmes statiques et dynamiques, puis sur l'application de ces approches pour la résolution de problèmes complexes de localisation et de suivi de multiples objets.
soutenue le 06/12/2017
français
English