@InProceedings{2015_barbos336,
	author = "Andrei-cristian Barbos and Audrey Giremus and Jean-francois Giovannelli",
	title = "Bayesian noise model selection and system identification using Chib's approximation based on the Metropolis-Hastings sampler",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0280",
	pages = "p. 1121-1124",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_barbos336.pdf",
	abstract = "Dans cette comunication, le problème de la sélection du modèle de bruit qui corrompt des données mesurées a été étudié. Les données étant obtenues en sortie d'un système d'ordre deux, ce problème est couplé a un problème d'identification. Dans le cadre bayésien, une solution jointe a été proposée. La sélection de modèle repose sur l'évidence dont le calcul est délicat. L'approche utilisée pour calculer l'évidence est fondée sur les méthodes MCMC mais ne repose pas sur l'estimateur de la moyenne harmonique qui est connu pour présenter des problèmes de convergence. Elle met à profit la condition de réversibilité de l'algorithme de Metropolis-Hastings. Les performances de la solution ont été évaluées avec des résultats satisfaisants..pdf",
}