Monte Carlo-Based Identification Strategies for State-Space Models

Stavové modely jsou neobyčejně užitečné v mnoha inženýrských a vědeckých oblastech. Jejich atraktivita vychází především z toho faktu, že poskytují obecný nástroj pro popis široké škály dynamických systémů reálného světa. Nicméně, z důvodu jejich obecnosti, přidružené úlohy inference parametrů a stavů jsou ve většině praktických situacích nepoddajné. Tato dizertační práce uvažuje dvě zvláště důležité třídy nelineárních a ne-Gaussovských stavových modelů: podmíněně konjugované stavové modely a Markovsky přepínající nelineární modely. Hlavní rys těchto modelů spočívá v tom, že---navzdory jejich nepoddajnosti---obsahují poddajnou podstrukturu. Nepoddajná část požaduje abychom využily aproximační techniky. Monte Carlo výpočetní metody představují teoreticky a prakticky dobře etablovaný nástroj pro řešení tohoto problému. Výhoda těchto modelů spočívá v tom, že poddajná část může být využita pro zvýšení efektivity Monte Carlo metod tím, že se uchýlíme k Rao-Blackwellizaci. Konkrétně, tato doktorská práce navrhuje dva Rao-Blackwellizované částicové filtry pro identifikaci buďto statických anebo časově proměnných parametrů v podmíněně konjugovaných stavových modelech. Kromě toho, tato práce adoptuje nedávnou particle Markov chain Monte Carlo metodologii pro návrh Rao-Blackwellizovaných částicových Gibbsových jader pro vyhlazování stavů v Markovsky přepínajících nelineárních modelech. Tyto jádra jsou posléze použity pro inferenci parametrů metodou maximální věrohodnosti v uvažovaných modelech. Výsledné experimenty demonstrují, že navržené algoritmy překonávají příbuzné techniky ve smyslu přesnosti odhadu a výpočetního času.State-space models are immensely useful in various areas of science and engineering. Their attractiveness results mainly from the fact that they provide a generic tool for describing a wide range of real-world dynamical systems. However, owing to their generality, the associated state and parameter inference objectives are analytically intractable in most practical cases. The present thesis considers two particularly important classes of nonlinear and non-Gaussian state-space models: conditionally conjugate state-space models and jump Markov nonlinear models. A key feature of these models lies in that---despite their intractability---they comprise a tractable substructure. The intractable part requires us to utilize approximate techniques. Monte Carlo computational methods constitute a theoretically and practically well-established tool to address this problem. The advantage of these models is that the tractable part can be exploited to increase the efficiency of Monte Carlo methods by resorting to the Rao-Blackwellization. Specifically, this thesis proposes two Rao-Blackwellized particle filters for identification of either static or time-varying parameters in conditionally conjugate state-space models. Furthermore, this work adopts recent particle Markov chain Monte Carlo methodology to design Rao-Blackwellized particle Gibbs kernels for state smoothing in jump Markov nonlinear models. The kernels are then used to facilitate maximum likelihood parameter inference in the considered models. The resulting experiments demonstrate that the proposed algorithms outperform related techniques in terms of the estimation precision and computational time.