Université Lille1 - Sciences et Technologies On Sequential Monte-Carlo Algorithms for Bayesian Inference Sur les algorithmes de type Monte-Carlo pour l’inférence Bayésienne Méthodes de Monte-Carlo séquentielles Méthodes de Monte-Carlo par chaînes de Markov Paramètres cachés Problèmes de suivi d'objets 006.333 Résolution de problème -- Informatique Monte-Carlo, Méthode de Statistique bayésienne Systèmes complexes Estimation de paramètres Many problems in different scientific domains can be described through statistical models that relate the observed data to some unobserved parameters. The estimation of the hidden parameters is crucial in order to perform several statistical signal processing and machine learning tasks, such as prediction of the evolution of the system, model selection, feature selection, explanatory modeling, etc. In the Bayesian framework, statistical inference is performed based on the relevant posterior distribution. However, in most real-world problems, this posterior distribution is intractable and must be approximated. Monte Carlo algorithms are remarkably flexible and extremely powerful to solve such inference problems. Nevertheless, in complex non-linear and/or high-dimensional systems, standard Monte-Carlo techniques could lead to unsatisfactory results. This manuscript aims to present my research activities on the development of novel sequential Monte Carlo strategies for Bayesian inference in both static and dynamic systems and then to the application of such approaches to solve challenging problems related to localization and tracking of multiple objects. 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. Electronic Thesis or Dissertation Text en application/pdf 1 : 22336 Ko https://pepite-depot.univ-lille.fr/RESTREINT/HDR/2017/HDR2017LIL113.pdf Septier François 1981-01-31 FR 128165472 2017-12-06 Traitement du signal et des images Université Lille1 - Sciences et Technologies thesis.degree.grantor_1 026404184 HDR non oui Chainais Pierre intervenant_1 134195280 École doctorale Sciences pour l'Ingénieur (Lille) ecoleDoctorale_1 147297028 Centre de recherche en informatique, signal et automatique de Lille (CRIStAL) partenaireRecherche_1 18388695X ddc:004 Chainais Pierre Université Lille1 - Sciences et Technologies Université Lille1 - Sciences et Technologies École doctorale Sciences pour l'Ingénieur (Lille) Centre de recherche en informatique, signal et automatique de Lille (CRIStAL) ASCII PDF 22872317