Bayesian noise model selection and system identification using Chib's approximation based on the Metropolis-Hastings sampler
Résumé
In this paper the problem of model selection has been applied to the identification of the model for the noise that affects the measured data. Performing the identification of a second order system has been considered as a side problem, in the view that the output of such a system is what we are measuring. A joint solution for the two distinct problems has been proposed in the context of the Bayesian statistical modelling. The main problem was with the approximation of the model evidence the solving of which required the use of numerical methods. However, our approach is not based on the well-known estimator of the harmonic mean which can exhibit bad convergence properties. As an alternative, the proposed estimation method takes advantage of the reversibility property of the Metropolis sub-kernel. The performances of the proposed solution have been assessed with encouraging results.
Dans cette communication, le problème de la sélection du modèle de bruit qui corrompt des données mesurées à été étudié. Les données étant obtenues en sortie d'un système d'ordre deux, ce problème est couplé à un problème d'identification. Dans le cadre bayésien, une solution jointe à été proposée. La sélection de modèle repose sur l'évidence dont le calcul est délicat. L'approche utilisée pour calculer l'évidence est fondée sur les méthodes MCMC mais ne repose pas sur l'estimateur de la moyenne harmonique qui est connu pour présenter des problèmes de convergence. Elle met à profit la condition de réversibilité de l'algorithme de Metropolis-Hastings. Les performances de la solution ont été évaluées avec des résultats satisfaisants.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...