CGEM-EV : alternative au maximum de vraisemblance pour ajuster un modèle d'autocovariance à des données 2D

Ce logiciel a été développé (ou est en cours de développement) dans la communauté de l'Enseignement Supérieur et de la Recherche. Son état peut être variable (cf champs ci-dessous) donc sans garantie de bon fonctionnement.

Site web : http://hal.archives-ouvertes.fr/hal-00648526
Système : UNIX-like, Windows, MacOS X
Version actuelle : 1 - 16/12/2011
Licence(s) : choix en cours, contacter l'auteur
Etat : diffusé, stable
Support : maintenu, développement en cours
Concepteur(s) : Didier A. Girard
Contact concepteur(s) : didier.girard@imag.fr
Laboratoire(s), service(s)... : LJK

Fiche dév Ens Sup - Recherche

Création ou MAJ importante : 01/05/12
Correction mineure : 03/09/12
Auteur de la fiche : Didier Girard (Laboratoire Jean Kuntzmann (LJK) )
Responsable thématique : Teresa Gomez-Diaz (LIGM)

Mots-clés

Laboratoires/Services : LJK
Tutelle : CNRS, INP Grenoble, INRIA, Univ Grenoble 1 (UJF), Univ Grenoble 2 (UPMF)
Système : UNIX-like, Windows, MacOS X
Métier-activité : calcul scientifique, géographie, math, physique, SHS
Domaine informatique : développement, métier
Usage : informatique perso
Fonctionnalités principales : statistiques, traitement d'images, traitement de données
Mots-clés divers : calcul numérique
Mots-clés proposés par l'auteur : covariance estimation, estimating functions, Gaussian random fields, kriging, matern autocorrelation, maximum likelihood, preconditioned conjugate gradient, randomized approximation, spatial data analysis

Fonctionnalités générales du logiciel

Implémentation en R d'une alternative simple au maximum de vraisemblance pour ajuster un modèle d'autocovariance isotrope de type Matérn à une observation d'un champ aléatoire.

Cette implémentation est limitée à une observation (de rapport "signal sur bruit" connu) sur une grille régulière 2D mais est partiellement optimisée pour permettre de traiter une observation d'assez grande taille (par ex. 64x64) via des résolutions de système linéaire par gradients conjugués et FFT.

Cette méthode "CGEM-EV" est basée sur la simple variance empirique et une équation estimante qui égalise la moyenne conditionnelle d'une énergie de Gibbs avec sa moyenne inconditionnelle ; une approximation "randomized trace" est utilisée. CGEM-EV est, assez généralement, statistiquement efficace.

Contexte d’utilisation du logiciel

Actuellement outil d'évaluation de l'approche CGEM-EV (notamment ses performances statistiques comparées à celles du Maximum de Vraisemblance).

Publications liées au logiciel

«Implémentation en R d’une alternative (“CGEM−EV”) au maximum de vraisemblance pour des champs de type Matérn» (2011). Article de 22 pages et 3 fichiers source R (en annexe) : ScriptForDemo.R, CGEMevalOnGrid.R, CGEMbisectionLogScaleSearch.R.
http://hal.archives-ouvertes.fr/hal-00648526

«A fast, near efficient, randomized−trace based method for fitting stationary Gaussian spatial models to large noisy data sets in the case of a single range−parameter» (2010).
http://hal.archives-ouvertes.fr/hal-00515832

«Asymptotic near-efficiency of a "Gibbs-energy" estimating-function approach for fitting Matern covariance models to a dense (noisy) series» (2009).
http://hal.archives-ouvertes.fr/hal-00413693