Habilitation diriger des recherches en

icon

42

pages

icon

Français

icon

Documents

2010

Écrit par

Publié par

Lire un extrait
Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

Découvre YouScribe en t'inscrivant gratuitement

Je m'inscris

Découvre YouScribe en t'inscrivant gratuitement

Je m'inscris
icon

42

pages

icon

Français

icon

Documents

2010

Lire un extrait
Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

Niveau: Supérieur
Habilitation à diriger des recherches en sciences Mathématiques appliquées présentée par Sylvain Rubenthaler à l'université de Nice-Sophia Antipolis intitulée Probabilités : aspects théoriques et applications en filtrage non linéaire, systèmes de particules et processus stochastiques. rapportée par M. Arnaud Doucet Professeur associé à l'université de Colombie Britannique M. Éric Moulines Professeur à Télécom ParisTech M. Gilles Pagès Professeur à l'université Paris VI et soutenue le 12 juillet 2010 devant M. Amarjit Budhiraja Professeur à University of North Carolina at Chapel Hill M. Pierre Del Moral Directeur de recherche à l'INRIA Bordeaux-Sud Ouest Mme Sylvie Méléard Professeur à l'école Polytechnique M. Éric Moulines Professeur à Télécom ParisTech M. Gilles Pagès Professeur à l'université Paris VI M. Frédéric Patras Directeur de recherche au CNRS, université de Nice-Sophia Antipolis M. Denis Talay Directeur de recherche à l'INRIA Sophia-Antipolis

  • dit recuit

  • propagation du chaos en temps continu

  • calcul numérique du filtre optimal

  • présentation du système

  • recuit simulé dans rd


Voir icon arrow

Publié par

Publié le

01 juillet 2010

Nombre de lectures

50

Langue

Français

recHabilitationM.?ProfesseurdirigerofdeshniquerecrechercBudhirahesM.enMmesciencesariMath?matiquesFappliqu?esersit?pr?senherct?eparChapSylvlain?Rub?enProfesseurthalerM.?Pl'univaersit?CNdee-SophiaNice-SophiayAnINRIAtipProfesseurolisersitinCarolinatitul?eHillProbabilit?sD:DirecteurasphectsBordeaux-Sudth?M?l?ardoriquesPet?ricapplicationsT?l?comenecltragePnl'univonVIlin?aire,Psyst?mesDirecteurdeheparticulesS,etNprotipcessusTstodec?hastiques.tiprappjaort?e?parUnivM.yArnaudNorthDoucetatProfesseurelassoci?Pierre?el'univMoralersidet?hercdeeColoml'INRIAbieOuestBritSylvieaProfesseurnniquel'?coleM.olytec?ricM.MoulinesMoulinesProfesseur??PT?l?comsTPharisTGillesecag?sh?M.ersit?GillesarisPM.ag?sr?d?ricProfesseuratr?sl'univdeersit?hercPauarisRVIunivetdesoutenicueAnleolis12DenisjuilalaletDirecteur2010recdevheanl'tSophia-AnM.olisAmarjit2n'onRemerciemendirecteurtsorateursJebienvcompagneoudraisenremercierouricid?placer,messecoll?guesfamille,etincurabdePhilippmani?reJ.g?n?ralet.toutouluceuxceuxquipasm'on?t?aid?mesetourencourag?edanscirconstances,maMaisonobcarri?relabdeDieudonn?,csoutienherctheurvasev?equictdespumend?placer,tionsmaspet?cialesma:?auxcollabrappporteursleurplouroptimismeleurtoutesc??l?rite?e,,duauxoratoirememA.brespdusonjuryconstanqui1on.T.ablesdes.mati?res.1jectoireIn.tro14duction.4.1.1?Listetradescalcult.ra.v.auxPropagationpsyst?mesrPr?sen?.s.eformn.t?s.p.ourtiquel'habilitation....2.3.2.1.....n?tique...n.la......4v1.1.121Articles.publi?s..r.p...26...e...28.um?rique...Cas.........t.....sur...2.3.3......4en1.1.2.Chapitre18dehaoslivreNan...........de.....rs.......2.4.ion.23.eynman-Kac.end.......a....5.1.1.3ePr?publications......sto.3.1.tielle.pro.....des.................elopp...........Com5arbres1.2.T.ra.vd?leaux.non.pr?sen.t?s....6.c.con.......?tude.du.our.Bird.............21.du.......2.3.5.2.co5.2.Filtrage,.syst?mes.dePparectivticules.6.2.1.D?nitions........du.probl?me.p.euill.Cas.de.laquelle.tiel.la.............Pr?sen.ion.ail.........2.5.2.p........6.2.1.1.T.empsProdiscrethastiques.um?rique.ximation.?quation.c.par.de.......29.?n?ral,.etits.....29....................6.2.1.2.T14empsD?vconementi.n.u................2.3.2.2.binatoire.les.............15.Mo.g?.neutre........7.2.2.Probl?matiques.classiques....1.2.3.4.du.haos.temps.ti.u...........2.3.5.de.propagation.c.p.les.de.et.bu8.2.2.1.Stabilit?.du.ltre.par.rapp.ort.?.la.mesure.initiale..2.3.5.1.tation.syst?me....8.2.2.2.Calcul.n.um?rique21du?tudelalntreergenceoptimal..............2.3.6.e.p.e......9.2.2.3.P.e.rs.p.ectiv.e.s....23.Application.ltrage.un.d'optimisat.de.o.tef.e.2.5.d'une.ule.F.dans.le.oten.d?p.de.tra............11.2.3.?tude.de.la.propagation.du2.5.1cthaos.t.du.v.[11].................26.P.rs.ectiv.s..12.2.3.1.D?nitions.e.n.temps.discret............3.cessus.c.et.n.29.Appro.n.d'une.di?ren.sto.has-12conduite2.3.2unD?vcessuseL?vyl.o.pp.emen.t.dans.la.propagation3.1.1dugctroncationhaospesautsn.temps.discret......2.Z
dR
.MA.TI?RES4.1.33.3.1.2.Am?lioration.de37laPr?senvitesse.deul?con.vbergence.dans.le.cionas.o?.ABLEAlgorithmeestimunlog-vraisempro.cessuspsub.ordin?..........34.a.probl?me.........4.recuit....de32.3.2.Optimisation.de4.2plaortefeuille..........................4.1.1.t.t.du........32.4.Articles.isol?s.34.4.13Recuit4.1.2simdeul?simdansditDESrecuitsTul?rapide,34applicationMaximisation?lalablancerec.herc.he.du.maxim.um36deE.D.S.vraisemourblancetur.ulence........................dR
RInstate-spacetrosignals.ductionTDepuisAmonstoarrivDel?eAppl.?conl'univStabilitersit?MagndechasticNess.iceet-Feynman-KacS[5]ophiarAnallotNadiaipnonlinearolis,,j'aivtrasubv108(1):126,aill?chasticen931,collabr?d?ricorationainaunctionalvmoec,desinezmath?maticien(ne)sed'hoxima-rlter.izonancen27(2):270296vainari?s,particlesurofdesnal.sujetsainvImproathertiali?s.proLeebutmationdedels.ceodo,cumen[4]t,estadeysoulignerubenthalerlabasedcoh?rencefodercesAtraobv,aux.Mar1.1SylvListeetdesTtra:vofauxuouspr?setonproblemst?sStopAppl.our2009.l'habetilita-ubenthalertionand1.1.1ximationArticlesinpubli?sergo[1]ch.An,tonio[7]Celaniubenthaler,WiktorssonSylvedainrateRulationubenthalerhasticetenDariodinatedVincenziesses.:oDispAppl.ersion4andincollapsemoinStostoPrcchasticAppl.v119(6):19121elo2009.citPierreyMoraleldsFonPatrascylinder.S138(4-5):579597,lv2010.R[2]:PierrereeDelfMoralexpansions,rLaurenpatticleMiclodels.,nn.FPrr?d?ricab.P19(2):778825a2009.trasMiguelettSylv,ainainRubenthaleruben-Etithalernne:anThe?cApproontionsvaergencetintotimeequilibriumApplicationofoptimalneutralcationgeneticinmo.dels.ch.Sto-nal.chastic,A,nal.[6]Appl.Oudjane,Sylv28(1):123143R,:2010.y[3]uniformSylvapproainofRltersubenthalercase,nonTdicobStoiAaAppl.s23(3):421448R2005.yd?SylvnRetetMagnusus:Wiktorssonv:conFergenceastforsimsimulatedofannealingcindieren1equationsdrivChapitrebywithor-anL?vyapplicationctoStomaximPrumclikss.eliho,o2003.desti-ApplicBIBLIOGRAPHIEer-5options.[8]haosSylv1.2ainRRHAL,ubenthaler,:TheNR?millardudemerietcsystems.al:siortmchasticulationmineures.ofitythe[14]solution:ofLG,aDelsto-prcubenthalerhasticfordierenhntialSylvequationpropagationdrivNanenHAL,bestyesaeL?vyaccept?proPrcess.deStoauxchastic,Prvoapproceess.A.Appl.olis,,R?millard103(2):31134intr9,Ellipses,2003.ain1.1.2ConChapitreofdeteractinglortivquere2009.[9]RPierreofDelfMoralBird,systems.Fhniquer?d?ricNPL'articleadanstrasoetandSylvsousainmoR[12]ubenthalerJournal:eticAbmeanr?servelddicationstheoryraofpr?sennonlinearDelltering.runInSDanRCrisanteetofRozoortvskiihniqueBorisoratoire,Univ?diteursAn:[15]Handb,oSylvok:onductionNonlineabilit?sar.FilteringSylv.ROxford:UnivversitgenceyU-statisticsPress.in1.1.3particlePr?publicationsRapp[10]tecBrunoiR?millardhal-inria-00397366,etINRIA,Sylv[13]ainainRubenthalerubenthalerExpansion:theOptimalohedgingcifornanddis-bucreteRappandtecconhal-00355211,tinCuousRSt2009.ime[11].accept?RappStoortPrtecchniquesesG-2009-77,theirGERAD,ationsHECr?servMondetr?al,dicationsNL'articleoestvdansemofboreral2009.o[11]abilNicolassousChopine,moPierremineures.DelTMoralvetnonSylvt?sainPierreRMoralubenthalerB:oStabi-etlitylyainofubenthalerFMoneynman-KaccarloformximationsulaeamericanwithRapppath-deptendenct00001585-pLabotenJ.tials.Dieudonn?,Rappersit?ortNice-Sophiatectiphnique2006.hal-00426415,PierreHAL,MoralCNRS,Bruno2009.et[12]ainPierreubenthalerDelUneMoralo,auxFobr?d?ric.P2006atras(M ) Mk k≥1 k
+E E (ψ ) ) ψ : E → Rk−1 k k k≥0 k k
E =E M =M k πk k 0
E0
Z kY
γ (f) = f(x )π (dx ) M (x ,dx )ψ (x )k k 0 0 k i−1 i i i
x ,...,x0 k i=1
γ (f)k
η (f) = .k
γ (1)k
(γ )k k≥0
(η )k k≥0
η =γ ,0 0
η =ψ .(η M ),k+1 k+1 k k+1
Z
μM (dx ) = μ(dx )M (x ,dx ),k k k−1 k k−1 k
x∈Ek−1
ψ (x )×μ(dx )k k kRψ .μ(dx ) = .k k
ψ (z)μ(dz)kEk
es(2.1.1)Onnodesdiralane,ticlassiqueotensurpdesdesonetde)ley2.1.1auxelonsdanstdel'onMarkn(2.1.2)rLest?ressemesuresbabilitopartievcelles-cided?sormaisasev2.1(TsurRappsonquelquestenappopel?esmesuresmesuresnotionsdeltrageFtests)eactiony(d?niesnmesuresman-KacOnnonsurnormali-rs?esuneou.ltendanresretrouvnonanormalis?s.homog?nemedesparticulesd'espace[Del04].(D?nitionsChapitreouvrage2empsFiltrage,discretcollection).uneicisonOnt(2.1.3)aputilisanplesel?es?rateursmesureslesdequeFesteynman-Kacrelativ(sous-enautdanse:ndufonctions:surnormalis?es)leuroupaltrestes(sous-ensuivtenduaux:s'inn.orlin?aire.ma?loi-ps?s).mesureOnUnepSoiteutdedonnertsuneind?pexpressionser?cursivenbles,tdesedansdelecesimesurescasdonnesyst?mesLes6mesures(η )k
(M ) (ψ )k k
E = E =··· = E,M = M =··· = M (X )0 1 1 2 k k≥0
E M π0
∀k≥ 1,Y =h(X , ) ( )k k k k k≥1
(Y )k
(X ) (Y )k k
∀k L(X|Y ) x7→k k
g (x,Y ) ∀k ψ (x) = g (x,Y ) Yk k k k k k
L (X |Y ,...,Y )π n 1 n0
∀n≥ 1 ,L (X |Y ,...,Y ) =η .π n 1 n n0
ηn
ηn
dE = R R M
Y = aX +Wk k k
π η ∀n0 n
(X ) E πt t≥0 0
d(Y ) Rt t≥0
Z t
Y = h(X )ds+W ,t s t
0
d(W ) R ∀t≥ 0 γt t≥0 t
η (Y )t s 0≤s≤t
Z Zt t
2γ (f) =E f(U )exp h(U )dY − kh(U )k ds ,t π t s s s0
0 0
γ (f)t
η (f) = ,t
γ (1)t
(U ) (X )s s≥0 s s≥0
dk.k R γt
ηt
L (X|(Y ) ) =η .π t s 0≤s≤t t0
quedecha?neiltreynman-Kaceaoptimals).cessus?remplacerpres.opdansossdeavearled'applicpetplaouransignierque,queunca'esttrlaionmeilestleurind?-etresPrtimationl'espdequilaestplaositiondeduparmobiletsachantDElesOnobseresvationduetunecemenonnais-Onsantd?liselesurmotrad?lebd'?volutionsont(onaprdeendloienvaleursconsomptepis-toutes.leseobservations)..LesquemesuresetOnme:Fn'oneynman-Kacts'appennormalis?eg?n?ralFpasLad'expressiontanaGirsanolTICULESytique.FILL'uniquedansexemplelanonsonttrivialadar,d'expressionpanalytiqued'obeesmotmobile.lebroltreedectoirKalmanles:etonleurprend,foncdanstestsl'exempleectoirecLies-de:sessus,esgalit?endantesl'?i.i.d.donnedesnous.BayeseteutansaussiMarkovprendreSoitde(2.1.4)formuler),estaexempleun(2.1.5)nestouny2.1.1auegm?meaussipeaunlesetnodessurobservLaationss'appdedelanormalis?eformemesureLla.eynman-leponditionnelmesurecynman-Kacloiltrelaule?seaenvth?or?meesuiteaussicOndesAbruitsGE,i.i.d.CHAPITRE(etosein-suppd?pdeendanformetsbruit?desobservationsautrescvrariables)ardemobilelervationsos?rieivgaussienne.cOnd?lisemonsuitetreLdansmouvcetcaswnienqud'une.sid?nitesseajes'int?rlaestmesuresgaussiennemoalorsteOnpares).actionestdesgaussiennetx?ssont(la.jOnupaeservations.utociterel?[CG06]x?e)pappourvariablesunLexemplevariabledeutrltredesrestanpt(etdansbruitunevariablesfamillecd?nomSoientbrable.initiale2.1.2deTansitionempsdecondtin?udeIluneexiste.unenveersionadar.entagetleeationmpsclassiqueconUntinradar)uo?de?rancecettepristh?orie.surNousproen(PistagedonnonsExempleicilsunetivaersloiionotensimplilesf?xeyapplicableno?surdeslaprobl?mesrdeuclidienneebas?epistage.radar.mesureOndeseelledonnemesureunFprononcessusetobservationsmesure(lesde,ellePosonsmesure

Voir icon more
Alternate Text