Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados

Autores
Gadze, Pedro; Cernuschi Frias, Bruno
Año de publicación
2010
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.
Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; Argentina
Fil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina
39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology
Buenos Aires
Argentina
Sociedad Argentina de Investigación Operativa, SADIO.
Materia
ESTIMACIÓN BAYESIANA
FILTRADO ÓPTIMO
FILTRADO ESTOCÁSTICO
MÉTODOS SECUENCIALES DE MONTE CARLO
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/184960
Acceder
id CONICETDig_37ba6fc5f5911d733b9133a68747a468
oai_identifier_str oai:ri.conicet.gov.ar:11336/184960
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionadosGadze, PedroCernuschi Frias, BrunoESTIMACIÓN BAYESIANAFILTRADO ÓPTIMOFILTRADO ESTOCÁSTICOMÉTODOS SECUENCIALES DE MONTE CARLOhttps://purl.org/becyt/ford/2.2https://purl.org/becyt/ford/2En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; ArgentinaFil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina39 Jornadas Argentinas de Informática y11th Argentine Symposium on TechnologyBuenos AiresArgentinaSociedad Argentina de Investigación Operativa, SADIO.Sociedad Argentina de Investigación Operativa2010info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/184960Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-16211850-2806CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdfNacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:58:46Zoai:ri.conicet.gov.ar:11336/184960instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:58:47.167CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
title Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
spellingShingle Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
Gadze, Pedro
ESTIMACIÓN BAYESIANA
FILTRADO ÓPTIMO
FILTRADO ESTOCÁSTICO
MÉTODOS SECUENCIALES DE MONTE CARLO
title_short Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
title_full Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
title_fullStr Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
title_full_unstemmed Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
title_sort Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
dc.creator.none.fl_str_mv Gadze, Pedro
Cernuschi Frias, Bruno
author Gadze, Pedro
author_facet Gadze, Pedro
Cernuschi Frias, Bruno
author_role author
author2 Cernuschi Frias, Bruno
author2_role author
dc.subject.none.fl_str_mv ESTIMACIÓN BAYESIANA
FILTRADO ÓPTIMO
FILTRADO ESTOCÁSTICO
MÉTODOS SECUENCIALES DE MONTE CARLO
topic ESTIMACIÓN BAYESIANA
FILTRADO ÓPTIMO
FILTRADO ESTOCÁSTICO
MÉTODOS SECUENCIALES DE MONTE CARLO
purl_subject.fl_str_mv https://purl.org/becyt/ford/2.2
https://purl.org/becyt/ford/2
dc.description.none.fl_txt_mv En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.
Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; Argentina
Fil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina
39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology
Buenos Aires
Argentina
Sociedad Argentina de Investigación Operativa, SADIO.
description En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.
publishDate 2010
dc.date.none.fl_str_mv 2010
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Congreso
Journal
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/184960
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-1621
1850-2806
CONICET Digital
CONICET
url http://hdl.handle.net/11336/184960
identifier_str_mv Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-1621
1850-2806
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdf
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Sociedad Argentina de Investigación Operativa
publisher.none.fl_str_mv Sociedad Argentina de Investigación Operativa
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613749224243200
score 13.070432

Publicaciones similares