Auteurs : Samuel Nyobe ^1,2,3; Fabien Campillo ⁴; Serge Moto ^1,2,3; Vivien Rossi ^5,6,7

• 1 University of Yaoundé [Cameroun]
• 2 Unité de modélisation mathématique et informatique des systèmes complexes [Bondy]
• 3 University of Yaoundé 1 = Université de Yaoundé I
• 4 Mathématiques pour les Neurosciences
• 5 Forêts et Sociétés
• 6 University of Yaounde I, National Advanced School of Engineering, Department of Mathematic and Physical Science
• 7 National Advanced School of Engineering

Les méthodes de Monte Carlo séquentielles ont constitué une percée majeure dans le domaine du traitement numérique du signal pour les systèmes dynamiques stochastiques à espace d'état avec observations partielles et bruitées. Cependant, ces méthodes présentent encore certaines faiblesses. L'une des plus fondamentales est la dégénérescence du filtre due à l'appauvrissement des particules : l'étape de prédiction permet aux particules d'explorer l'espace d'état et peut conduire à l'appauvrissement des particules si cette exploration est mal menée ou lorsqu'elle entre en conflit avec l'observation suivante qui sera utilisée dans l'évaluation de la vraisemblance de chaque particule. Dans cet article, afin d'améliorer cette dernière étape dans le cadre du filtre particulaire bootstrap classique, nous proposons une approximation simple du lisseur à retard fixe à un pas. A chaque itération temporelle, nous proposons d'effectuer des simulations supplémentaires pendant l'étape de prédiction afin d'améliorer la vraisemblance des particules sélectionnées.