Inference in Hidden Markov Models, Fachbücher von Tobias Ryden, Eric Moulines, Olivier Cappé

Das Buch "Inference in Hidden Markov Models" bietet eine umfassende Behandlung der Inferenz in versteckten Markov-Modellen, die in verschiedenen Bereichen wie Kommunikationsengineering, Bioinformatik und Finanzwesen Anwendung finden. Es behandelt sowohl die Algorithmen als auch die statistische Theorie, die für die Analyse dieser Modelle erforderlich sind. Die Themen reichen von der Filterung und Glättung der versteckten Markov-Kette bis hin zur Parameterschätzung, den bayesianischen Methoden und der Schätzung der Anzahl der Zustände. Die Autoren präsentieren die Modelle sowohl mit endlichen Zustandsräumen, die exakte Algorithmen ermöglichen, als auch mit kontinuierlichen Zustandsräumen, die approximative, simulationsbasierte Algorithmen erfordern. Fünf Kapitel widmen sich der Simulation in versteckten Markov-Modellen, einschliesslich Markov-Ketten-Monte-Carlo- und sequenziellen Monte-Carlo-Ansätzen. Zahlreiche Beispiele veranschaulichen die Algorithmen und Theorien, während auch die Gaussian-Linear-Zustandsraum-Modelle und deren Erweiterungen behandelt werden. Dieses Buch richtet sich an alle, die sich für die Inferenz stochastischer Prozesse interessieren, und ist besonders nützlich für Forscher und Praktiker in den Bereichen Statistik, Signalverarbeitung, Kommunikationsengineering, Regelungstheorie, Ökonometrie und Finanzwesen.