Exact filtering in conditionally Markov switching hidden linear models

In the classical setup of Markov switching hidden linear systems, the exact evaluation of optimal filters requires computations with complexity increasing exponentially with respect to the number of observations. In the present article, we propose a new family of models which overcome this difficulty, and render practically feasible these calculations. Dans les modèles classiques linéaires cachés à sauts markoviens, le calcul exact des filtres optimaux est dʼune complexité exponentielle par rapport au nombre dʼobservations, ce qui nécessite lʼutilisation de techniques dʼapproximation. Dans cet article, nous introduisons une nouvelle famille de modèles qui rendent ces opérations possibles en pratique.